20.500.12556/DKUM-90462 Uporaba strojnega učenja za identifikacijo glavnih parametrov bentonitne peščene mešanice za zmanjšanje izmeta ulitkov: razvoj modela znanja za klasifikacijo izmeta diplomsko delo Application of machine learning for identifying key parameters of bentonite sand mixture to reduce casting defects: development of knowledge model for defect classification V diplomskem delu najprej obravnavamo teoretične osnove gravitacijskega litja in strojnega učenja. Nato smo na podlagi podatkov iz Podjetja X razvili spletno aplikacijo za interaktiven prikaz izmeta ulitkov in klasifikator za oceno njihove kakovosti. Za razvoj modela znanja klasifikacije smo uporabili SQL Server Management Studio in Visual Studio Code ter programska jezika MS SQL (Microsoft Structured Query Language) in Python. Izhodiščne podatke smo preuredili in analizirali z uporabo metod podatkovne znanosti in statističnih metod. Podatke o izmetu je bilo treba vizualno prikazati in ustvariti model znanja, naučen na razpoložljivih podatkih, ki lahko napove, če bo prišlo do izmeta. Delo se deli na dva segmenta. Prvi segment zajema opis postopka izdelave in prikaz spletne aplikacije. Drugi segment zajema opis priprave podatkov za namene klasifikatorja, predprocesiranje, optimizacijo in analizo klasifikatorja. Na koncu dela podajamo tudi napotke za nadaljnje delo in izboljšave. In this thesis, we first discuss the theoretical foundations of gravity casting and machine learning. Then, based on data from Company X, we developed a web application for the interactive display of casting defects and a classifier to assess their quality. To develop the classification knowledge model, we used SQL Server Management Studio and Visual Studio Code, along with the programming languages MS SQL (Microsoft Structured Query Language) and Python. The initial data was reorganized and analyzed using data science and statistical methods. The defect data needed to be visually represented, and a knowledge model was created, trained on the available data, that could predict whether a defect would occur. The work is divided into two segments. The first segment covers the process of creating and displaying the web application. The second segment covers the preparation of data for the classifier, preprocessing, optimization, and analysis of the classifier. The conclusion of the thesis provides guidelines for further work and improvements. gravitacijsko litje strojno učenje izmet klasifikator podatkovna znanost gravity casting machine learning defect classifier data science true true false [Ž. Breznikar] Slovenski jezik Angleški jezik Diplomsko delo/naloga 2024-09-04 13:27:08 2024-10-09 11:41:15 2024-11-28 03:17:17 0000-00-00 00:00:00 2024 0 Maribor 0 Maribor 1 spletni vir (1 datoteka PDF (XI, 60 f., [3] f. pril.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 621.7+621.9(043.2) 216614403 UN_Breznikar_Ziga_2024.pdf UN_Breznikar_Ziga_2024.pdf 1 A3267E99AB6D0E17305C9514DE1F08F7 aaabc9fbf84d92fbcb6ebaf421380c2704e08745e7f22b73eb61041cd6d7a413 0de72810-6ab4-11ef-b7ab-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=184368 Fakulteta za strojništvo 0 0 0