ఫ్యాషన్ టెక్నాలజీ & టెక్స్‌టైల్ ఇంజనీరింగ్

ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌ని ఉపయోగించి సిరోఫిల్-స్పిన్నింగ్ సిస్టమ్‌పై ఉత్పత్తి చేయబడిన సాగే కోర్-స్పిన్ నూలు యొక్క హెయిర్‌నెస్ మరియు కోఎఫీషియంట్ వైవిధ్యాన్ని అంచనా వేయడం

హోస్సేన్ హసానీ, మొహసేన్ షాన్బే మరియు ఫాతేమ్ రీసీ

ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌ని ఉపయోగించి సిరోఫిల్-స్పిన్నింగ్ సిస్టమ్‌పై ఉత్పత్తి చేయబడిన సాగే కోర్-స్పిన్ నూలు యొక్క హెయిర్‌నెస్ మరియు కోఎఫీషియంట్ వైవిధ్యాన్ని అంచనా వేయడం

ఈ అధ్యయనం కృత్రిమ నాడీ నెట్‌వర్క్ పద్ధతిని ఉపయోగించి సిరోఫిల్ స్పిన్నింగ్ సిస్టమ్‌పై ఉత్పత్తి చేయబడిన సాగే కోర్-స్పన్ నూలు యొక్క వెంట్రుకల (వెంట్రుకల సంఖ్య ≥ 3 మిమీ) మరియు వైవిధ్యం యొక్క గుణకం (%CVm) అంచనా వేయడం లక్ష్యంగా పెట్టుకుంది . సిరోఫిల్ స్పిన్నింగ్ సిస్టమ్‌లో రెండు తంతువుల మధ్య దూరం, ఉత్పత్తి చేయబడిన నూలుల ట్విస్ట్ స్థాయి, డ్రా రేషియో మరియు ఎలాస్టేన్ యొక్క ఫీడింగ్ కోణం మరియు రెండు తంతువుల మధ్య ఎలాస్టేన్ భాగం యొక్క ఫీడింగ్ స్థానం వంటి విభిన్న నియంత్రణ కారకాలు ఇన్‌పుట్ డేటాగా పరిగణించబడ్డాయి. ఈ రెండు నాణ్యత ప్రతిస్పందనలపై ప్రతి నియంత్రించదగిన అంశం యొక్క ప్రభావం కూడా నిర్ణయించబడింది. ఏడు న్యూరాన్‌లు మరియు అవుట్‌పుట్ లేయర్‌తో రెండు దాగి ఉన్న లేయర్‌లతో కూడిన కృత్రిమ న్యూరల్ నెట్‌వర్క్ మోడల్ వెంట్రుకలను మరియు %CVm యొక్క సిరోఫిల్ స్పిన్ నూలు యొక్క ఉత్తమ అంచనా శక్తిని ఇస్తుందని ఫలితాలు చూపించాయి . నూలు వెంట్రుకలు మరియు %CVm రెండింటిలోనూ ఎలాస్టేన్ భాగం యొక్క ఫీడింగ్ స్థానం అత్యంత ప్రబలమైన పరామితి అని పరిశోధనలు వెల్లడించాయి. అలాగే, ఎలాస్టేన్ భాగం మరియు నూలు ట్విస్ట్ స్థాయి యొక్క ఫీడింగ్ కోణం వరుసగా పేర్కొన్న నాణ్యత ప్రతిస్పందనలపై తక్కువ ప్రభావాన్ని చూపింది.