Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

During the last decade, deep learning played a leading role in both research and practical applications of artificial intelligence. Its ability to learn from massive datasets makes this approach able to perform tasks that typically require human intelligence such as recognizing images, understanding natural language, predicting customer behavior, etc. Nevertheless, it is becoming clear that deep learning struggles with reasoning and generalization beyond the dataset, which is limiting further improvements in the field of artificial intelligence. On the other hand, logic-based methods (also known as symbolic artificial intelligence) excel at reasoning and generalization. Even with a limited amount of data, those kinds of methods are able to reason about the problem and deduce new information. However, if there is noise in the provided dataset or if this dataset gets too large, these methods lose these abilities. The idea arose that a combination of deep learning and logic-based methods could be successful on certain tasks because the strengths and weaknesses of both approaches are complementary. This concept is explored in the field of neural-symbolic artificial intelligence (NeSy). This field is quickly becoming one of the most popular fields in artificial intelligence research and experiences a fast growth because many methods that provide a combination of logic and deep learning are proposed. This leads to the problem that methods have only been evaluated on a limited number of tasks and few experimental comparisons are done between the different methods. The results of this work are two-fold. First, tasks for which it has been shown that neural-symbolic methods can be successful are grouped into categories. This creates a clearer view of the capabilities of these methods and highlights the use cases of neural-symbolic artificial intelligence. Secondly, the requirements for methods to perform well on two of these tasks (distantly supervised classification and structured prediction) are discussed in detail. With this information, an assessment is made to state which neural-symbolic methods are suited best for these tasks. The actual performance of the methods on these two tasks are then verified experimentally. These analyses allow for the initiation of a discussion about the general applicability of the proposed neural-symbolic methods.

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Deze masterproef heeft als doel een HVAC of ’Heating, ventilation en airconditioning installatie te ontwerpen voor een nieuwe verpakkingslijn. De installatie moet energiezuinig zijn en dient in in elke hal de gewenste temperatuur en luchtvochtigheid aan te houden, zowel bij productie als na het reiniging van de installatie. Via een correct gedimensioneerde installatie worden de ruimten na het reinigen op een korte tijd gedroogd zodat geen water op de grond aanwezig blijft. Water op de grond kan aanleiding geven tot bacteriologische groei en moet in de voedingsindustrie ten allen tijde vermeden worden. Bij de berekeningen en technisch inzicht omtrent de dimensionering, werd gebruik gemaakt van een mollier diagram. Dit diagram is een belangrijk tool en wordt in deze thesis uitvoerig besproken. Via drie verschillende temperatuur- en vochtigheidsmeters, waaronder een zelf ontworpen meter, werden de verschillende ruimtes binnen de verpakkingsafdeling van Ardo te Ardooie opgemeten. De metingen werden zowel bij productie in de week, waarbij op bepaalde tijdstippen een deel van de installatie wordt gereinigd alsook tijdens de reiniging van de volledige installatie in het weekend uitgevoerd. Met deze data was het nadien mogelijk om de werking van een reeds bestaande HVAC installatie in kaart te brengen en na te gaan welke ruimtecondities er aanwezig waren. Tijdens de voorstudie en gedurende het verloop van de stage werd een softwareprogramma ontwikkeld in Python. Het uiteindelijke programma kan de gemeten data, afkomstig van de zelfontworpen meter, live weergeven. De software is ook in staat om te helpen bij de berekeningen die gemaakt worden binnen HVAC toepassingen. Uiteindelijk werd, via berekeningen en wensen die Ardo had omtrent de installatie, een model opgesteld. Het model bestaat uit een aantal hardware componenten die elk apart besproken worden. Het model werd berekend a.d.h.v. de waarden die bekomen zijn via de metingen. Uit de berekeningen volgt dan het besluit waarin geverifieerd wordt of het opgestelde model realiseerbaar is en of er wel degelijk sprake is van een energiezuinige installatie.