MODEL TVÁŘECÍHO PROCESU

Podobné dokumenty
LINEÁRNÍ REGRESE. Lineární regresní model

POLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.

Regresní a korelační analýza

UNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek

Regresní analýza 1. Regresní analýza

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

Regresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel

odpovídá jedna a jen jedna hodnota jiných

Statistika. Regresní a korelační analýza Úvod do problému. Roman Biskup

Statistika (KMI/PSTAT)

Regresní a korelační analýza

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu

Stanovení měrného tepla pevných látek

Regresní a korelační analýza

Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté

Regresní a korelační analýza

Regresní a korelační analýza

You created this PDF from an application that is not licensed to print to novapdf printer (

Korelační a regresní analýza

Náhodné chyby přímých měření

Metoda nejmenších čtverců Michal Čihák 26. listopadu 2012

10. Předpovídání - aplikace regresní úlohy

6. Lineární regresní modely

Inovace bakalářského studijního oboru Aplikovaná chemie

Extrémy funkce dvou proměnných

EKONOMETRIE 7. přednáška Fáze ekonometrické analýzy

PRAVDĚPODOBNOST A STATISTIKA

Ing. Radovan Nečas Mgr. Miroslav Hroza

4 Numerické derivování a integrace

4. Aplikace matematiky v ekonomii

Parametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =

KGG/STG Statistika pro geografy

6. Lineární regresní modely

Popis metod CLIDATA-GIS. Martin Stříž

INDUKTIVNÍ STATISTIKA

SOLVER UŽIVATELSKÁ PŘÍRUČKA. Kamil Šamaj, František Vižďa Univerzita obrany, Brno, 2008 Výzkumný záměr MO0 FVT

Bodové a intervalové odhady parametrů v regresním modelu

Bodové a intervalové odhady parametrů v regresním modelu

RNDr. Eva Janoušová doc. RNDr. Ladislav Dušek, Dr.

Statistická analýza jednorozměrných dat

Odhad parametrů N(µ, σ 2 )

Nelineární problémy a MKP

6. Lineární regresní modely

MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ

Matematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A1. Cvičení, zimní semestr. Samostatné výstupy. Jan Šafařík

1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.

Tomáš Karel LS 2012/2013

Aplikovaná matematika I

SEMESTRÁLNÍ PRÁCE. Leptání plasmou. Ing. Pavel Bouchalík

Regresní a korelační analýza

Plánování experimentu

Matematika I A ukázkový test 1 pro 2014/2015

1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,

Normální (Gaussovo) rozdělení

7. Analýza rozptylu.

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

na magisterský studijní obor Učitelství matematiky pro střední školy

Měření závislosti statistických dat

Diferenciál funkce dvou proměnných. Má-li funkce f = f(x, y) spojité parciální derivace v bodě a, pak lineární formu (funkci)

Modelovánía experimentální zjišťovánímechanických vlastností nelineárních materiálů

UNIVERZITA PARDUBICE

PRAVDĚPODOBNOST A STATISTIKA

Časové řady, typy trendových funkcí a odhady trendů

VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY

Časové řady, typy trendových funkcí a odhady trendů

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

LDF MENDELU. Simona Fišnarová (MENDELU) LDR druhého řádu VMAT, IMT 1 / 22

Odhad parametrů N(µ, σ 2 )

Testování statistických hypotéz

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

Funkce, elementární funkce.

6. Lineární regresní modely

Mgr. Tomáš Kotler. I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

AVDAT Geometrie metody nejmenších čtverců

AVDAT Klasický lineární model, metoda nejmenších

4EK211 Základy ekonometrie

12. cvičení z PST. 20. prosince 2017

Rekonstrukce diskrétního rozdělení psti metodou maximální entropie

1 Mnohočleny a algebraické rovnice

Náhodné (statistické) chyby přímých měření

AVDAT Nelineární regresní model

Kalibrace a limity její přesnosti

= = 2368

Statistická analýza jednorozměrných dat

Korelační a regresní analýza. 1. Pearsonův korelační koeficient 2. jednoduchá regresní analýza 3. vícenásobná regresní analýza

Kontingenční tabulky, korelační koeficienty

http: //meloun.upce.cz,

Aplikovaná numerická matematika

4EK211 Základy ekonometrie

4EK211 Základy ekonometrie

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

Soustavy lineárních a kvadratických rovnic o dvou neznámých

Semestrální písemka BMA3 - termín varianta A13 vzorové řešení

ANALYTICKÁ GEOMETRIE V ROVINĚ

Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.

Matematika I (KX001) Užití derivace v geometrii, ve fyzice 3. října f (x 0 ) (x x 0) Je-li f (x 0 ) = 0, tečna: x = 3, normála: y = 0

Transkript:

MODEL TVÁŘECÍHO PROCESU

Zkouška tlakem na válcových vzorcích 2

Vyhodnocení tlakové zkoušky Síla F způsobí změnu výšky H a průměru D válce. V každém okamžiku při stlačování je přetvárný odpor definován jako poměr síly F a velikosti styčné (čelní) plochy S, tzn. F S 4 F D 2. Předpokládá se, že objem zůstává stejný. 3

Logaritmický stupeň deformace Jako nezávisle proměnná pro přetvárný odpor se většinou volí veličina H0 ln H tzv. logaritmický stupeň deformace., 4

Vztah přetvárného odporu a deformace Ve starší literatuře je hojně frekventován vztah pomocí mocninné funkce n a. Časem se však ukázalo, že u všech materiálů (ocelí, barevných kovů, hliníkových slitin) při nárůstu přetvárného odporu existuje inflexní bod. To byl důvod, aby pro analytický vztah se m používal polynom i0 i b i. 5

Příprava experimentu Pro zkoušky se používají vzorky, jejichž výška je 1,6 větší než průměr. Povrch vzorků musí být broušený, čela rovnoběžná a kolmá na průměr vzorku. Pro pevně zvolený průměr se vyrobí sada n=20 až n=30 vzorků. 6

Teplota vzorků Přetvárný odpor se mění nejen s deformací, ale i s udržovanou teplotou vzorku. Proto bylo vyrobeno 5 sad vzorků. Jedna sada nebyla ohřáta, t=21 C. Další sady byly zpracovávány postupně vždy pro teplotu vzorku t=100, 200, 300 a 400 C. 7

Provedení experimentu V každé sadě se stlačí vzorky na jinou deformaci a zaregistruje se jaká je výška vzorku H pro danou sílu F. Toto se provede v každé sadě, tzn, pro jinou teplotu vzorků. Pro každou teplotu se obdrží n dvojic,, i 1, n. i i, 8

Přetvárná práce Přetvárná práce, kterou vykoná síla F(x) při stlačení válce objemu V o délku x=h 0 -H(x), je rovna A x 0 F protože x dx x 0 S x dx x 0 V H x dx V 0 d, H0, H H0e, x H0 H0e, dx H e d. H e 0 9

Měrná přetvárná práce Měrnou (jednotkovou) přetvárnou práci definujeme jako práci potřebnou k přetvoření objemové jednotky tvářeného materiálu: a A V σd. 0 10

Výpočet měrné práce Známe-li předpis pro přetvárný odpor σ v závislosti na, pak jednoduchou integrací můžeme stanovit velikost jednotkové práce. 11

Ocel 15 230 Nízkolegovaná ocel s dobrou svařitelností i obrobitelností. Je vhodná na velmi namáhané strojní součásti s vysokou pevností a pro velké výkovky. Experimentálně byly nalezeno n=23 hodnot přetvárného odporu pro pokojovou teplotu a pro ohřev vzorků na 100, 200, 300 a 400 C. Z těchto hodnot byla vypočtena měrná přetvárná práce. 12

Ukázka 10 hodnot měrné práce t a t a t a t a t a 21 0 0 100 0 0 200 0 0 300 0 0 400 0 0 21 0,05 0,049 100 0,05 0,041 200 0,05 0,037 300 0,05 0,038 400 0,05 0,041 21 0,1 0,1 100 0,1 0,084 200 0,1 0,077 300 0,1 0,08 400 0,1 0,083 21 0,15 0,154 100 0,15 0,129 200 0,15 0,121 300 0,15 0,127 400 0,15 0,125 21 0,2 0,21 100 0,2 0,175 200 0,2 0,168 300 0,2 0,179 400 0,2 0,168 21 0,25 0,268 100 0,25 0,223 200 0,25 0,218 300 0,25 0,235 400 0,25 0,212 21 0,3 0,329 100 0,3 0,272 200 0,3 0,271 300 0,3 0,295 400 0,3 0,255 21 0,35 0,392 100 0,35 0,322 200 0,35 0,327 300 0,35 0,359 400 0,35 0,298 21 0,4 0,456 100 0,4 0,374 200 0,4 0,384 300 0,4 0,426 400 0,4 0,341 21 0,45 0,523 100 0,45 0,426 200 0,45 0,444 300 0,45 0,496 400 0,45 0,383 13

Grafy závislostí pro ocel 15 230 14

Problém Z vypočtených hodnot měrné přetvárné práce pro různé teploty (5 různých rovnic) chceme získat jediný vztah, jenž popisuje změnu přetvárné práce v závislosti na dvou nezávisle proměnných, a to na logaritmickém stupni přetvoření a na teplotě vzorku. Tento vztah chceme nalézt ve formě polynomu pro dvě proměnné: a r s i0 j0 i b ij t j 15

V čem je problém? Pro odhad koeficientů regresní rovnice máme úlohu obsahující (r+1)(s+1) nezávisle proměnných. Neznáme hodnoty nejvyšších mocnin r, s. Nevíme kolik členů má obsahovat regresní rovnice. 16

Výběr rozsahu k j Náhodným výběrem určíme výrazy tvaru i t, i=0,,r, j=0,,s tak, aby v jednom výběru rozsahu k se nevyskytovaly dva stejné výrazy. Metodou nejmenších čtverců nalezneme odhady regresních parametrů b ij. Vypočteme nestranný odhad rozptylu s 2 S n e k daného výběru, kde S e Ke každému výrazu i t korelace r ij. j je reziduální součet čtverců. určíme parciální koeficient 17

Seřazení členů podle důležitosti V dané regresi seřadíme parciální koeficienty korelace r p, p=1, 2,, k podle velikosti do sestupné řady. Každému parciálnímu koeficientu korelace r p, p=1, 2,, k přiřadíme pořadové číslo R p. Pořadové číslo R p ukazuje na pořadí i j důležitosti nezávisle proměnné xp t při vysvětlování hodnot měrné přetvárné práce. 18

Průměrné vážené pořadí Provedeme-li pouze jeden náhodný výběr k nezávisle proměnných, pak o zbývajících (r+1)(s+1)-k nemáme žádnou informaci. Proto náhodný výběr k členů budeme opakovat z- krát a vždy vypočteme příslušné S e a pořadí R p j každé proměnné i t. j Vyskytne-li se proměnná i t ve všech z výběrech právě u-krát, pak průměrné vážené pořadí této u proměnné je R m m1 Sem. R ij u m1 1 S em 19

Multikolinearita j Obecně se dá říct, že ta proměnná i t, jejíž průměrné vážené pořadí je nízké číslo, má ve většině regresí, kde se tato proměnná vyskytla, vysoký koeficient parciální korelace. Z toho ovšem neplyne, že výběr těch proměnných, jež mají nejmenší průměrné vážené pořadí, dá nejlepší vysvětlení závisle proměnné. Musí se dát pozor na vznik multikolinearity. 20

Vyřazení přebytečných členů Rozhodneme-li se pro nějaký výběr k nezávisle proměnných, pak pomocí t-testu můžeme s požadovanou spolehlivostí vyřadit ty členy, jež nevýznamně přispívají k vysvětlení závisle proměnné. Toto vyřazování proměnných provádíme zásadně po jednom členu. Po vyřazení proměnné se můžeme rozhodnout, zda tuto proměnnou nahradíme nějakou jinou (podle průměrného váženého pořadí), anebo vyřazení bude bez náhrady, čímž se zmenší počet proměnných. 21

Návrh regrese p i j b p r p 1 0 1 0,850 0,991 2 1 2-1,110 0,983 3 0 2 0,813 0,972 4 2 2 0,643 0,965 5 3 2-0,100 0,926 6 0 5-0,114 0,794 7 5 3-2,414E-3 0,753 8 4 3 6,976E-3 0,633 9 5 4 4,532E-4 0,368 10 4 0-1,905E-4 0,219 11 6 0 9,913E-6 0,186 22

Graf plochy 100 200 300 400 23