Performance prediction of a specific wear rate in epoxy nanocomposites with various composition content of polytetrafluoroethylen (PTFE), graphite, short carbon fibers (CF) and nano-TiO2 using adaptive neuro-fuzzy inference system (ANFIS)

2012 ◽  
Vol 43 (2) ◽  
pp. 549-558 ◽  
Author(s):  
Ali Haghighat Mesbahi ◽  
Dariush Semnani ◽  
Saeid Nouri Khorasani
Keyword(s):  
Wear Rate ◽  
Carbon Fibers ◽  
Performance Prediction ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Specific Wear Rate ◽  
Nano Tio2 ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Short Carbon

scholarly journals Specific Wear Rate Modeling of Polytetraflouroethylene Composites Via Artificial Neural Network (ANN) and Adaptive Neuro Fuzzy Inference System (ANFIS) Tools

2021 ◽  
Author(s):  
Musa Alhaji Ibrahim ◽  
Yusuf Şahin ◽  
Auwal Ibrahim ◽  
Auwalu Yusuf Gidado ◽  
Mukhtar Nuhu Yahya
Keyword(s):  
Neural Network ◽  
Wear Rate ◽  
Fuzzy Inference ◽  
Nonlinear Behavior ◽  
Specific Wear Rate ◽  
Inference System ◽  
Modeling And Prediction ◽  
Neuro Fuzzy ◽  
Artificial Neural Network Ann ◽  
Ptfe Composites

Lately, artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models have been recognized as potential and good tools for mathematical modeling of complex and nonlinear behavior of specific wear rate (SWR) of composite materials. In this study, modeling and prediction of specific wear rate of polytetraflouroethylene (PTFE) composites using FFNN and ANFIS models were examined. The performances of the models were compared with conventional multilinear regression (MLR) model. To establish the proper choice of input variables, a sensitivity analysis was performed to determine the most influential parameter on the SWR. The modeling and prediction performance results showed that FFNN and ANFIS models outperformed that of the MLR model by 45.36% and 45.80%, respectively. The sensitivity analysis findings revealed that the volume fraction of reinforcement and density of the composites and sliding distance were the most and more influential parameters, respectively. The goodness of fit of the ANN and ANFIS models was further checked using t-test at 5% level of significance and the results proved that ANN and ANFIS models are powerful and efficient tools in dealing with complex and nonlinear behavior of SWR of the PTFE composites.

Thermal Performance Prediction of Two-Phase Closed Thermosyphon Using Adaptive Neuro-Fuzzy Inference System

2014 ◽  
Vol 36 (3) ◽  
pp. 315-324 ◽  
Author(s):  
Mehdi Shanbedi ◽  
Ahmad Amiri ◽  
Sajjad Rashidi ◽  
Saeed Zeinali Heris ◽  
Majid Baniadam
Keyword(s):  
Thermal Performance ◽  
Performance Prediction ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Two Phase ◽  
Inference System ◽  
Neuro Fuzzy

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

Sign in / Sign up

Export Citation Format

Share Document