scholarly journals Mathematical models for predicting final achieved height and its standard deviation rate in children with growth hormone deficiency in the Russian population

2017 ◽  
Vol 63 (5) ◽  
pp. 282-290
Author(s):  
Anna E. Gavrilova ◽  
Elena V. Nagaeva ◽  
Olga Yu. Rebrova ◽  
Tatiana Yu. Shiryaeva
Keyword(s):  
Standard Deviation ◽  
Linear Regression ◽  
Root Mean Square Error ◽  
Mathematical Models ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Gh Deficiency ◽  
Bone Age ◽  
Mean Square ◽  
Explained Variance

Background. Predicting the efficacy of rGH therapy in patients with GH deficiency, based on the final achieved height (FAH) criterion, is an important tool for the clinician. It enables a personalized approach to the treatment of patients with GH deficiency: to recommend careful adherence to the regimen and dosage of the drug, evaluate the efficacy of therapy in different groups of patients, and clearly demonstrate the factors affecting the FAH indicator. Aim — to develop mathematical models for predicting FAH and its standard deviation score (SDS) in patients with GH deficiency in the Russian population. Material and methods. For simulation, we used the data of 121 patients diagnosed with GH deficiency who received rGH since the time of diagnosis to the time of final height and were followed-up at the Institute of Pediatric Endocrinology of the Endocrinology Research Centre in the period between 1978 and 2016. As model predictors, we used 11 indicators: the gender, chronological age at the time of GH deficiency diagnosis, puberty status, disease form, regularity of rGH therapy, height SDS at birth, height SDS at the time of GH deficiency diagnosis, bone age at the time of GH deficiency diagnosis, bone age/chronological index, SDS of a genetically predicted height, and maximum stimulated GH level in a clonidine test. To generate models, we used multiple linear regression, artificial neural networks (ANNs), and the Statistica 13 software. Results. The developed ANNs demonstrated a high accuracy of predicting FAH (the root-mean-square error was 4.4 cm, and the explained variance fraction was 76%) and a lower accuracy of predicting the FAH SDS (the root-mean-square error was 0.601 SDS, and the explained variance fraction was 42%). Linear regression models that were based on quantitative predictors only had a substantially worse quality. Free software implementation was developed for the best produced ANN. Conclusion. An ANN-based software-implemented model for predicting FAH uses indicators available for any clinician as predictors and can be used for individual prediction of FAH. In the future, the use of larger databases for simulation will improve the quality of predicting the efficacy of rGH therapy.

scholarly journals Validation of Operational WAVEWATCH III Wave Model Against Satellite Altimetry Data Over South West Indian Ocean Off-Coast of Tanzania

2018 ◽  
Vol 10 (4) ◽  
pp. 55 ◽  
Author(s):  
Chuki Sangalugeme ◽  
Philbert Luhunga ◽  
Agness Kijazi ◽  
Hamza Kabelwa
Keyword(s):  
Standard Deviation ◽  
Indian Ocean ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Mean Square ◽  
Wavewatch Iii ◽  
Mean Error ◽  
South West ◽  
Wave Heights

The WAVEWATCH III model is a third generation wave model and is commonly used for wave forecasting over different oceans. In this study, the performance of WAVEWATCH III to simulate Ocean wave characteristics (wavelengths, and wave heights (amplitudes)) over the western Indian Ocean in the Coast of East African countries was validated against satellite observation data. Simulated significant wave heights (SWH) and wavelengths over the South West Indian Ocean domain during the month of June 2014 was compared with satellite observation. Statistical measures of model performance that includes bias, Mean Error (ME), Root Mean Square Error (RMSE), Standard Deviation of error (SDE) and Correlation Coefficient (r) are used. It is found that in June 2014, when the WAVEWATCH III model was forced by wind data from the Global Forecasting System (GFS), simulated the wave heights over the Coast of East African countries with biases, Mean Error (ME), Root Mean Square Error (RMSE), Correlation Coefficient (r) and Standard Deviation of error (SDE) in the range of -0.25 to -0.39 m, 0.71 to 3.38 m, 0.84 to 1.84 m, 0.55 to 0.76 and 0.38 to 0.44 respectively. While, when the model was forced by wind data from the European Centre for Medium Range Weather Foresting (ECMWF) simulated wave height with biases, Mean Error (ME), Root Mean Square Error (RMSE), Correlation Coefficient (r) and Standard Deviation of error (SDE) in the range of -0.034 to 0.008 m, 0.0006 to 0.049 m, 0.026 to 0.22 m, 0.76 to 0.89 and 0.31 to 0.41 respectively. This implies that the WAVEWATCH III model performs better in simulating wave characteristics over the South West of Indian Ocean when forced by the boundary condition from ECMWF than from GFS.

scholarly journals Predicting relative energy dissipation for vertical drops equipped with a horizontal screen using soft computing techniques

2021 ◽  
Author(s):  
Reza Norouzi ◽  
Parveen Sihag ◽  
Rasoul Daneshfaraz ◽  
John Abraham ◽  
Vadoud Hasannia
Keyword(s):  
Energy Dissipation ◽  
Linear Regression ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Discharge Rate ◽  
Relative Energy ◽  
Mean Square ◽  
Linear Regression Models ◽  
Soft Computing Techniques

Abstract This study was designed to evaluate the ability of Artificial Intelligence (AI) methods including ANN, ANFIS, GRNN, SVM, GP, LR, and MLR to predict the relative energy dissipation(ΔE/Eu) for vertical drops equipped with a horizontal screen. For this study, 108 experiments were carried out to investigate energy dissipation. In the experiments, the discharge rate, drop height, and porosity of the screens were varied. Parameters yc/h, yd/yc, and p were input variables, and ΔE/Eu was the output variable. The efficiencies of the models were compared using the following metrics: correlation coefficient (CC), mean absolute error (MAE), root-mean-square error (RMSE), Normalized root mean square error (NRMSE) and Nash–Sutcliffe model efficiency (NSE). Results indicate that the performance of the ANFIS_gbellmf based model with a CC value of 0.9953, RMSE value of 0.0069, MAE value of 0.0042, NRMSE value as 0.0092 and NSE value as 0.9895 was superior to other applied models. Also, a linear regression yielded CC = 0.9933, RMSE = 0.0083, and MAE = 0.0067. This linear model outperformed multiple linear regression models. Results from a sensitivity study suggest that yc/h is the most effective parameter for predicting ΔE/Eu.

Mathematical Models To Predict Kinetic Behavior and Growth Probabilities of Listeria monocytogenes on Pork Skin at Constant and Dynamic Temperatures

2013 ◽  
Vol 76 (11) ◽  
pp. 1868-1872 ◽  
Author(s):  
SOOMIN LEE ◽  
HEEYOUNG LEE ◽  
JOO-YEON LEE ◽  
PANAGIOTIS SKANDAMIS ◽  
BEOM-YOUNG PARK ◽  
...  
Keyword(s):  
Listeria Monocytogenes ◽  
Root Mean Square Error ◽  
Mathematical Models ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Storage Temperature ◽  
Lag Phase ◽  
Mean Square ◽  
Kinetic Behavior ◽  
A Value

In this study, mathematical models were developed to predict the growth probability and kinetic behavior of Listeria monocytogenes on fresh pork skin during storage at different temperatures. A 10-strain mixture of L. monocytogenes was inoculated on fresh pork skin (3 by 5 cm) at 4 log CFU/cm2. The inoculated samples were stored aerobically at 4, 7, and 10°C for 240 h, at 15 and 20°C for 96 h, and at 25 and 30°C for 12 h. The Baranyi model was fitted to L. monocytogenes growth data on PALCAM agar to calculate the maximum specific growth rate, lag-phase duration, the lower asymptote, and the upper asymptote. The kinetic parameters were then further analyzed as a function of storage temperature. The model simulated growth of L. monocytogenes under constant and changing temperatures, and the performances of the models were evaluated by the root mean square error and bias factor (Bf). Of the 49 combinations (temperature × sampling time), the combinations with significant growth (P < 0.05) of L. monocytogenes were assigned a value of 1, and the combinations with nonsignificant growth (P ≥ 0.05) were given a value of 0. These data were analyzed by logistic regression to develop a model predicting the probabilities of L. monocytogenes growth. At 4 to 10°C, obvious L. monocytogenes growth was observable after 24 h of storage; but, at other temperatures, the pathogen had obvious growth after 12 h of storage. Because the root mean square error value (0.184) and Bf (1.01) were close to 0 and 1, respectively, the performance of the developed model was acceptable, and the probabilistic model also showed good performance. These results indicate that the developed model should be useful in predicting kinetic behavior and calculating growth probabilities of L. monocytogenes as a function of temperature and time.

scholarly journals Analisis Performansi Algoritma Linear Regression dengan Generalized Linear Model untuk Prediksi Penjualan pada Usaha Mikra, Kecil, dan Menengah

2021 ◽  
Vol 10 (1) ◽  
pp. 23
Author(s):  
Fitria Habibatul Hamdanah ◽  
Devi Fitrianah
Keyword(s):  
Linear Regression ◽  
Root Mean Square Error ◽  
Linear Model ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Generalized Linear Model ◽  
Mean Square

Penjualan merupakan syarat mutlak kelangsungan suatu usaha, karena dengan penjualan maka akan didapatkan keuntungan. Metode Linear Regression dan Generalized Linear Model merupakan metode pendekatan yang didukung dengan perhitungan RSME. RMSE (Root Mean Square Error) berfungsi untuk mendapatkan besaran tingkat kesalahan dari hasil prediksi, dimana semakin kecil (mendekati 0) nilai RMSE maka semakin akurat nilai prediksinya. Pada setiap Usaha Mikro Kecil Menengah (UMKM) aktivitas transaksi dan pelayanan terhadap konsumen setiap harinya semakin lama semakin meningkat, sehingga tanpa disadari hal ini dapat menimbulkan tumpukan data yang semakin membesar. UMKM biasanya mengeluarkan beberapa item berbeda untuk ditawarkan ke pasar dengan harga yang berbeda, namun tidak semua barang banyak peminatnya. Keberhasilan penjualannya menentukan keberlanjutan untuk umkm itu sendiri. Pada penelitian ini akan dibandingkan penggunaan algoritma Linear Regression dengan Generalized Linear Model yang diimplementasikan pada data penjualan yang sudah diinputkan sebelumnya guna menghasilkan prediksi penjualan barang untuk tahun berikutnya. Hasil perhitungan menunjukkan bahwa algoritma Linear Regression dengan nilai RSME, MSE,MAPE sebesar 1,983; 3,933; dan 1,518 sedangkan hasil dari algoritma Generalized Linear Model dengan nilai RSME, MSE, MAPE sebesar 4,827; 23,295; dan 3,882. Berdasarkan perhitungan prediksi oleh algoritma Linear Regression dan Generalized Linear Model dapat disimpulkan bahwa nilai RSME pada algoritma Linear Regression menunjukkan perhitungan paling baik dikarenakan nilai RSME paling kecil.

Repeatability of force signals in aerial circus straps

2017 ◽  
Vol 232 (3) ◽  
pp. 225-235
Author(s):  
Marion Cossin ◽  
Annie Ross ◽  
Frédérick P Gosselin
Keyword(s):  
Standard Deviation ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Intraclass Correlation ◽  
Mean Square ◽  
Movement Variability ◽  
Perfect Agreement ◽  
Error Method ◽  
Good Agreement

The aim of this study is to develop a method for assessing movement variability of circus acrobats. An analysis of the repeatability of force signals is used to quantify variability. Six students from the National Circus School of Montréal performed 5–10 trials of an acrobatic movement called dislock in aerial circus straps while tension force was measured at the hanging point of the aerial apparatus. The repeatability of force signals was calculated with three statistical methods: time-averaged standard deviation, intraclass correlation and root mean square error. These methods were compared with the ratings of a circus coach who ranked each acrobat’s trial with regard to the movement variability. The standard deviation and the intraclass correlation methods are commonly used to quantify the agreement between measurements in biomechanics, while the root mean square error method is regularly employed to quantify the agreement between measurements and a model. All participants performed the movement with little variability (intraclass correlation ⩾ 0.8). The results of the three methods were in good agreement with the coach’s assessment. The root mean square error method, in particular, showed perfect agreement and is therefore considered the best measure of repeatability. In the future, the proposed method could be used by coaches or artists training alone, allowing a new form of feedback.

scholarly journals ANALISA KOMPARASI NEURAL NETWORK BACKPROPAGATION DAN MULTIPLE LINEAR REGRESSION UNTUK PERAMALAN TINGKAT INFLASI

2019 ◽  
Author(s):  
Amrin Amrin
Keyword(s):  
Neural Network ◽  
Linear Regression ◽  
Root Mean Square Error ◽  
Multiple Linear Regression ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Mean Absolute Deviation ◽  
Mean Square ◽  
Absolute Deviation

Tingkat inflasi tidak dapat dianggap remeh dalam sistem perekonomian suatu negara dan pelaku bisnis pada umumnya. Jika inflasi dapat diramalkan dengan akurasi yang tinggi, tentunya dapat dijadikan dasar pengambilan kebijakan pemerintah dalam mengantisipasi aktivitas ekonomi di masa depan. Pada penelitian ini akan digunakan metode prediksi neural network backpropagation dan multiple linear regression untuk memprediksi tingkat inflasi bulanan di indonesia, selanjutnya membandingkan manakah yang terbaik dari kedua metode tersebut. Data inflasi yang digunakan bersumber dari Badan Pusat Statistik dari tahun 2006-2015, dimana 80% sebagai data training dan 20% sebagai data testing. Dari hasil analisis data yang dilakukan disimpulkan bahwa Performa model multiple linear regression lebih baik dibandingkan dengan metode neural network backpropagation dengan nilai mean absolute deviation (MAD) sebesar 0.0380, mean square error (MSE) sebesar 0.0023, dan nilai Root Mean Square Error (RMSE) sebesar 0.0481

scholarly journals Multiple Linear Regression Models for Predicting Nonpoint-Source Pollutant Discharge from a Highland Agricultural Region

Water ◽  
2018 ◽  
Vol 10 (9) ◽  
pp. 1156 ◽  
Author(s):  
Jae Cho ◽  
Jong Lee
Keyword(s):  
Linear Regression ◽  
Root Mean Square Error ◽  
Multiple Linear Regression ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Sediment Runoff ◽  
Mean Square ◽  
Pollutant Load ◽  
Explanatory Variables ◽  
Pollutant Discharge

Sediment runoff from dense highland field areas greatly affects the quality of downstream lakes and drinking water sources. In this study, multiple linear regression (MLR) models were built to predict diffuse pollutant discharge using the environmental parameters of a basin. Explanatory variables that influence the sediment and pollutant discharge can be identified with the model, and such research could play an important role in limiting sediment erosion in the dense highland field area. Pollutant load per event, event mean concentration (EMC), and pollutant load per area were estimated from stormwater survey data from the Lake Soyang basin. During the wet season, heavy rains cause large amounts of suspended sediment and the occurrence of such rains is increasing due to climate change. The explanatory variables used in the MLR models are the percentage of fields, subbasin area, and mean slope of subbasin as topographic parameters, and the number of preceding dry days, rainfall intensity, rainfall depth, and rainfall duration as rainfall parameters. In the MLR modeling process, four types of regression equations with and without log transformation of the explanatory and response variables were examined to identify the best performing regression model. The performance of the MLR models was evaluated using the coefficient of determination (R2), root mean square error (RMSE), coefficient of variation of the root mean square error (CV(RMSE)), the ratio of the RMSE to the standard deviation of the observed data (RSR) and the Nash–Sutcliffe model efficiency (NSE). The performance of the MLR models of pollutant load except total nitrogen (TN) was good under the condition of RSR, and satisfactory for the NSE and R2. In the EMC and load/area models, the performance for suspended solids (SS) and total phosphorus (TP) was good for the RSR, and satisfactory for the NSE and R2. The standardized coefficients for the models were analyzed to identify the influential explanatory variables in the models. In the final performance evaluation, the results of jackknife validation indicate that the MLR models are robust.

scholarly journals Reference Evapotranspiration Prediction for Smart Irrigation

2020 ◽  
Vol 10 (1) ◽  
pp. 327-333
Keyword(s):  
Linear Regression ◽  
Root Mean Square Error ◽  
Regression Model ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Linear Regression Model ◽  
Mean Square ◽  
Crop Evapotranspiration ◽  
Crop Water ◽  
Critical Process

Irrigation is the most critical process for agriculture, but irrigation is the largest consumer of fresh water and causes the loss of large quantities because of the inaccuracy in crop water estimation. Our proposed system aims to improve irrigation management by estimating the amount of water needed by the crop accurately and reduces the number of meteorological parameters needed for such estimation. Detection of the reference crop evapotranspiration (ETo) is the most critical process in crop water estimation, that is considered through our proposed solution by implementing machine learning models using neural networks and linear regression to predict daily ETo using climate data like temperature, humidity, wind speed, and solar radiation. Comparing our system results with FAO-56 Penman-Monteith ET0 and cropwat8.0 software as benchmark, show that our proposed system is better than the linear regression model, in terms of determination coefficient (R^2)=.9677 and root mean square error(RMSE) =.1809, while the multiple linear regression model achieved determination coefficient (R^2)=.68 and root mean square error(RMSE) =3.01. Our system then used the predicted ETo and Crop coefficient (Kc) from FAO, to estimate crop evapotranspiration (ETc) for precision irrigation target.

scholarly journals Παράγοντες οργανωσιακής κουλτούρας στα γραφεία προμηθειών των νοσοκομείων του ΕΣΥ της Ελλάδας που επηρεάζουν την αποτελεσματικότητα του συστήματος προμηθειών

2015 ◽  
Author(s):  
Νικόλαος Καπετανέας
Keyword(s):  
Standard Deviation ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Goodness Of Fit ◽  
Mean Square ◽  
Goodness Of Fit Test ◽  
Chi Square ◽  
Cronbach Alpha ◽  
Fit Index

Εισαγωγή: Η οργανωσιακή κουλτούρα αποτελεί σημαντικό συστατικό της αποτελεσματικής διαχείρισης δημόσιων οργανισμών. Παρόλα αυτά η συσχέτιση μεταξύ επιθυμητής - από τους εργαζόμενους στα γραφεία προμηθειών και αυτής που προάγεται από τις Διοίκησεις των δημόσιων νοσοκομείων, στην Ελλάδα καθώς και η επίδρασή της στην αποδοτική λειτουργία τους, χρήζει διερεύνησης. Σκοπός: Σκοπός αποτελεί η διερεύνηση της σημαντικότητας των προσωπικών αξιών και των χαρακτηριστικών του οργανισμού σύμφωνα με τις αντιλήψεις των εργαζομένων. Ειδικότερους στόχους αποτελούν η διερεύνηση και ανάλυση των σχέσεων μεταξύ των διαστάσεων και των τύπων της οργανωσιακής κουλτούρας, η διερεύνηση της σχέσης μεταξύ Προσώπου-Οργανισμού στοχεύοντας στη διαμόρφωση ενός νέου τρόπου προσέγγισης της κατανόησης της ανθρώπινης συμπεριφοράς στα δημόσια Νοσοκομεία, η μελέτη της αλληλεπίδρασης του βαθμού συμπλήρωσης ή ταύτισης μεταξύ των προσωπικών αξιών των εργαζομένων και των χαρακτηριστικών της οργανωσιακής κουλτούρας που πρεσβεύουν οι οργανισμοί αυτοί καθώς και η μελέτη της συσχέτισης των διαστάσεων και των τύπων της επιθυμητής και της υπαρκτής οργανωσιακής με την αποδοτικότητα των γραφείων προμηθειών.Μεθοδολογία: Για τη διερεύνηση των προσωπικών αξιών και των χαρακτηριστικών, τη διερεύνηση της επιθυμητής και της υπαρκτής οργανωσιακής κουλτούρας όπως και του βαθμού καταλληλότητας μεταξύ Προσώπου - Οργανισμού χρησιμοποιήθηκε το ποσοτικό εργαλείο «Organizational Culture Profile» των O'Reilly, Chatman και Caldwell. Οι μέσες τιμές (mean), οι τυπικές αποκλίσεις (Standard Deviation=SD), οι διάμεσοι (median) και τα ενδοτεταρτημοριακά εύρη (interquartile range) χρησιμοποιήθηκαν για την περιγραφή των ποσοτικών μεταβλητών. Οι απόλυτες (Ν) και οι σχετικές (%) συχνότητες χρησιμοποιήθηκαν για την περιγραφή των ποιοτικών μεταβλητών. Για τη σύγκριση ποσοτικών μεταβλητών μεταξύ δυο ομάδων χρησιμοποιήθηκε το μη παραμετρικό κριτήριο Mann-Whitney. Για τη σύγκριση ποσοτικών μεταβλητών μεταξύ περισσοτέρων από δυο ομάδων χρησιμοποιήθηκε το μη παραμετρικό κριτήριο Kruskal-Wallis. Για τον έλεγχο του σφάλματος τύπου Ι -λόγω των πολλαπλών συγκρίσεων- χρησιμοποιήθηκε η διόρθωση κατά Bonferroni σύμφωνα με την οποία το επίπεδο σημαντικότητας είναι 0,05/κ (κ= αριθμός των συγκρίσεων). Για τον έλεγχο της σχέσης δύο ποσοτικών μεταβλητών χρησιμοποιήθηκε ο συντελεστής συσχέτισης του Spearman (r). Η ανάλυση γραμμικής παλινδρόμησης με τη διαδικασία διαδοχικής ένταξης/αφαίρεσης χρησιμοποιήθηκε για την εύρεση ανεξάρτητων παραγόντων, που σχετίζονται με τις διάφορες βαθμολογίες. Η ανάλυση γραμμικής παλινδρόμησης έγινε με τη χρήση λογαριθμικών μετασχηματισμών λόγω της μη κανονικής κατανομής. Για τη διερεύνηση της δομής των ερωτηματολογίων χρησιμοποιήθηκε Διερευνητική Παραγοντική Ανάλυση ενώ χρησιμοποιήθηκε επιβεβαιωτική παραγοντική ανάλυση με διαδικασία μέγιστης πιθανοφάνειας για την εκτίμηση του μοντέλου, όπως προέκυψε από τη διερευνητική παραγοντική ανάλυση, καθώς και της εκτίμησης των διαφόρων τύπων κουλτούρας. Προσδιορίστηκε η ανεξαρτησία των όρων σφάλματος για όλα τα μοντέλα και επιτράπηκε η συσχέτιση των παραγόντων. Χρησιμοποιήθηκε σημαντικός αριθμός προσεγγίσεων για την εκτίμηση της προσαρμογής των μοντέλων της επιβεβαιωτικής παραγοντικής ανάλυσης, συμπεριλαμβανομένων των δεικτών καλής προσαρμογής CFI (comparative fit index), GFI (goodness of fit index), chi-square goodness of fit test και RMSEA (root mean square error of approximation).Αποτελέσματα: Οι πιο σημαντικές από τις προσωπικές αξίες ήταν το «να είναι κάποιος προσεκτικός» και «η καλή οργάνωση». Τα χαρακτηριστικά, που προάγονται περισσότερο, ήταν ο «προσανατολισμός στους κανόνες», το «να είναι κάποιος προσεκτικός» και η «προσοχή στις λεπτομέρειες». Από τη διερευνητική παραγοντική ανάλυση προέκυψαν οκτώ (8) διαστάσεις επιθυμητής οργανωσιακής κουλτούρας:Οι συντελεστές αξιοπιστίας Cronbach alpha των διαστάσεων της οργανωσιακής κουλτούρας είναι μεγαλύτεροι του 0,7 για όλες τις διαστάσεις εκτός της διάστασης «Υποστήριξη» οι οποία είχε συντελεστή 0,61. Οι συντελεστές αξιοπιστίας Cronbach alpha των τύπων της οργανωσιακής κουλτούρας είναι μεγαλύτεροι του 0,8.Κατά την διερεύνηση των διαστάσεων της υπαρκτής οργανωσιακής κουλτούρας προέκυψαν επτά (7) διαστάσεις.Συμπεράσματα: Όσον αφορά στις προσωπικές αξίες των εργαζομένων και τα χαρακτηριστικά των οργανισμών, που αφορούσαν στην εκτέλεση των καθηκόντων των εργαζομένων στα Γραφεία Προμηθειών, αναγνωρίζονταν ως ίσης σπουδαιότητας από πλευράς εργαζομένων και Οργανισμού, ενώ υπήρχε σημαντική διαφοροποίηση στις υπόλοιπες αξίες με τους εργαζόμενους να αναζητούν μια διοίκηση με προσανατολισμό προς τους ανθρώπους, τη στιγμή που ο Οργανισμός -σύμφωνα πάντα με τις αντιλήψεις των εργαζομένων- κατέτασσε ως τελευταία. Χαρακτηριστικά που δίνουν έμφαση στην αμοιβή και στην αναγνώριση του έργου των εργαζομένων. Επιπλέον, στο σύνολο των αξιών οι βαθμολογίες ήταν σημαντικά υψηλότερες από τις βαθμολογίες των χαρακτηριστικών, με μοναδική εξαίρεση την «πολύωρη εργασία», η οποία έλαβε την ίδια βαθμολογία και ως αξία και ως χαρακτηριστικό.Όσον αφορά στις διαστάσεις της οργανωσιακής κουλτούρας, σύμφωνα με τις αντιλήψεις των εργαζομένων, ως πιο σημαντικές διαστάσεις αναδείχθηκαν «ο σεβασμός στους ανθρώπους» και «η προσοχή στη λεπτομέρεια». Τα συγκεκριμένα ευρήματα δικαιολογούν τις δυσκολίες, που αναδύονται κατά την προσπάθεια εφαρμογής καινοτόμων διαδικασιών στις προμήθειες, όπως είναι οι ηλεκτρονικές προμήθειες. Επιπλέον, η διάσταση «Προσανατολισμός στα αποτελέσματα» δεν αναδείχθηκε ως διάσταση οργανωσιακής κουλτούρας που προάγεται από τις διοικήσεις των Νοσοκομείων, γεγονός που υποδηλώνει ότι δεν στοχεύουν σε κριτήρια δημοσιονομικής πολιτικής ελέγχου δαπανών και γενικότερα ορθολογικής οικονομικής λειτουργίας. Όσον αφορά τους τύπους οργανωσιακής κουλτούρας, ιδιαίτερης σημασίας είναι το γεγονός ότι και στην επιθυμητή και στην υπαρκτή οργανωσιακή κουλτούρα, η κουλτούρα της «ιεραρχίας» είναι αυτή που θεωρείται ως η πλέον σημαντική γεγονός που υποδηλώνει ότι τόσο οι εργαζόμενοι όσο και οι διοικήσεις, των υπό μελέτη Νοσοκομείων επιδιώκουν έναν ιδιαίτερα δομημένο εργασιακό χώρο με αυστηρά τυποποιημένες διαδικασίες κατά την εκτέλεση των εργασιών.Όσον αφορά στη συσχέτιση μεταξύ οργανωσιακής κουλτούρας και αποδοτικότητας των Γραφείων Προμηθειών, παρατηρούνται μικρές συσχετίσεις μεν, οι οποίες όμως παραμένουν σταθερές και στις τρεις κατηγορίες αποδοτικότητας (Τεχνική, Διανεμητική και Κλίμακας) και θεωρούνται ουσιώδους σημασίας για τα συμπεράσματα, που αναδεικνύονται. Οι αρνητικές συσχετίσεις της διάστασης «Προσοχή στη λεπτομέρεια» με όλες τις κατηγορίες αποδοτικότητας αποδεικνύουν ότι το υπάρχον σύστημα Προμηθειών είναι γραφειοκρατικό σε βαθμό που η πιστή εφαρμογή του από τους εργαζόμενους δημιουργεί μείωση της αποδοτικότητας.Σημαντικά είναι και τα ευρήματα για την καταλληλότητα μεταξύ Προσώπου-Οργανισμού, από τα οποία προκύπτει ότι όσο μεγαλύτερη είναι η διαφορά μεταξύ προσωπικών αξιών και χαρακτηριστικών του Οργανισμού τόσο μεγαλύτερο είναι το έλλειμα αποδοτικότητας.

Evaluation of detectability of differential type probe using directional eddy current for fibre waviness in CFRP

2020 ◽  
Vol 378 (2182) ◽  
pp. 20190587
Author(s):  
Hiroyuki Kosukegawa ◽  
Yuta Kiso ◽  
Mitsuo Hashimoto ◽  
Tetsuya Uchimoto ◽  
Toshiyuki Takagi
Keyword(s):  
Standard Deviation ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Eddy Current ◽  
Mean Square ◽  
Reinforced Plastic ◽  
Differential Type ◽  
Carbon Fibre Reinforced Plastic ◽  
Non Destructive

This paper describes the detectability of eddy current testing (ECT) using directional eddy current for detection of in-plane fibre waviness in unidirectional carbon fibre reinforced plastic (CFRP) laminate. Three different types of probes, such as circular driving, symmetrical driving and uniform driving probe, were proposed, and the waviness angle was extracted from the contour map of the ECT signal by applying a Canny filter and a Hough transform. By comparing both the waviness angle estimated by ECT and that obtained by an X-ray CT image, the standard deviation (precision) and root mean square error (accuracy) were evaluated to discuss the detectability of these probes. The directional uniform driving probe shows the best detectability and can detect fibre waviness with a waviness angle of more than 2° in unidirectional CFRP. The probe shows a root mean square error of 1.90° and a standard deviation of 4.49° between the actual waviness angle and the angle estimated by ECT. This article is part of the theme issue ‘Advanced electromagnetic non-destructive evaluation and smart monitoring’.

Sign in / Sign up

Export Citation Format

Share Document