Двухкомпонентная смесь: Двухкомпонентная смесь

Содержание

Двухкомпонентная смесь

Один картридж смеси ДСРШ (620 мл) позволяет провести ремонт до 30 (тридцати) отверстий для скреплений или нескольких шпал с трещинами шириной от 3 до 10 мм и более.

В настоящее время смесь ДСРШ широко применяется в Московском, а также Бакинском метрополитенах, проводятся испытания смеси на участке Северной дороги ОАО «РЖД».

Заинтересованность в приобретении смеси ДСРШ выразили представители Санкт-Петербургского метрополитена, метрополитена республики Беларусь и железных дорог Индии.

Смесь ДСРШ позволяет обеспечить оперативный ремонт отверстий для скреплений в деревянных и композитных шпалах при многократной перешивке пути, а также трещин в деревянных шпалах без снижения прочности соединения по сравнению с основным материалом.

Двухкомпонентная смесь для ремонта деревянных и композитных шпал ДСРШ является новой инновационной разработкой компании ООО «АКСИОН РУС» и не имеет аналогов на российском рынке.

Смесь ДСРШ состоит из двух компонентов, реагирующих между собой при смешении через специальный смеситель, и через короткое время при застывании образующих твердый материал по плотности схожий с древесиной твердолиственных пород.

Компонент А представляет собой смесь простых полиэфиров, катализаторов, сшивающих и скрепляющих добавок.

Компонент Б Универсальный является полимерным изоцианатом.

Основные преимущества двухкомпонентной смеси для ремонта деревянных и композитных шпал ДСРШ

ИННОВАЦИОННАЯ ЗАПАТЕНТОВАННАЯ ТЕХНОЛОГИЯ

Инновационная технология ремонта верхнего строения железнодорожного пути.

Используется для ремонта железнодорожных путей, путей метрополитена и трамвая.

Полностью соответствует требованиям безопасности движения поездов.

Применима во всех климатических зонах мира.

Позволяет выполнять ремонт без использования тяжелой спецтехники.

ВЫСОКИЕ ПОТРЕБИТЕЛЬСКИЕ СВОЙСТВА

Сокращает время производства ремонтных работ.

Позволяет существенно оптимизировать расходы на персонал.

Позволяет отремонтировать до 30 шурупных или костыльных отверстий с использованием одного картриджа.

Не требует дополнительной обработки места ремонта.

Повышает прочностные характеристики шпал в части сопротивлению шурупа на вырыв до 50%.

ЭКОНОМИЯ ВРЕМЕНИ И СРЕДСТВ

Полностью восстанавливает разработанные шурупные и костыльные отверстия в шпалах.

Продлевает срок службы железнодорожных шпал.

Применима для ускоренного ремонта участков пути на железнодорожных шпалах, потерявших связь с путевым бетоном.

Позволяет оперативно устранять просадки рельсовых стыков и отклонения по уровню.

НАШИ ЗАКАЗЧИКИ

ГУП «Мосгортранс»

ГУП «Московский метрополитен»

ГУП «Петербургский метрополитен»

ЕМУП «Екатеринбургский метрополитен»

Метрополитен Нижнего Новгорода

Метрополитен города Баку (Республика Азербайджан)

Двухкомпонентная смесь РЕНОВИР Эластик

Печать

В избранноеСравнение

Цена по запросу

-+Купить

Двухкомпонентная полимерцементная композиция. При смешивании компонентов образуется низковязкая однородная суспензия, которая наносится на минеральное основание с помощью распылителя или кисти. После затвердевания, покрытие обладает высокой эластичностью до минус 25 °С и водонепроницаемостью.

Характеристика	Единицы
	Сухой компонент (А)	Жидкий компонент (В)
Вид	Однородная смесь без посторонних включений	Жидкость белого цвета на акриловых полимерах
Сухой остаток, %	99,9	50
Наибольшая крупность заполнителя, мм	0,63
Условия применения, °C	5 — 35
Условия эксплуатации, °C	-35 — 70
Рекомендуемая толщина нанесения за один слой, мм	1,5
Соотношение компонентов для смешивания	25 кг	8
Сохранение первоначальной подвижности, мин	30
Плотность, кг/дм3	ок 1,4	ок 1,1
Расход сухой смеси, кг/м2 /мм	ок. 1,7
Водонепроницаемость	W12
Прочность сцепления с основанием, не менее, МПа	1,0
Эластичность, °С	-25
Перекрытие трещин без армирующей сетки, мм	ок 1
Форма поставки	25 кг бумажные мешки с полиэтиленовым вкладышем	1м3 кубические емкости или канистры
Сертифицировано	СТО 005-56154429-2014

Основание очистить от веществ, снижающих прочность сцепления. Обеспылить. Удалить непрочные фрагменты. Заделать углубления и швы бетонных элементов ремонтным раствором РЕНОВИР М5. Непосредственно перед нанесением РЕНОВИР Эластик основание следует увлажнить до матового состояния.

Нанесение РЕНОВИР Эластик осуществляется при температуре основания не ниже плюс 5 °С. Для приготовления смеси необходимо смешать сухую смесь (компонент А) с жидким компонентом в пропорции 25/8 до однородной сметанообразной консистенции.

Приготовленную растворную смесь следует нанести в два слоя на подготовленное основание. Нанесение следует осуществлять путем распыления, кистью, либо шпателем. Перед нанесением второго слоя, первый должен высохнуть до образования не размокающей поверхности. При высоком давлении воды и швах основания можно предусмотреть использование армирующей сетки с ячейкой 10х10 мм, которая утапливается металлической гладилкой в свеженанесенный первый слой гидроизоляции. Стыки сетки необходимо укладывать внахлест 5-10 см. Максимальная толщина нанесения за один слой должна составлять не более 1,5 мм.

Эластик поставляется в многослойных мешках по 25 кг и пластиковой канистре 8 л. Хранение следует осуществлять в сухих условиях, на поддонах, в оригинальной не поврежденной упаковке — 12 месяцев с момента изготовления. Жидкий компонент в процесс хранения не замораживать. Изготовитель гарантирует соответствие смеси требованиям технических условий при соблюдении потребителем условий транспортирования, хранения и указаний настоящей инструкции.

В некоторых медицинских исследованиях, посвященных анализу выживаемости, часто встречаются выжившие в течение длительного времени, которых можно считать полностью излечившимися. Целью этих исследований является оценка вероятности неизлечения всей популяции и уровня опасности восприимчивой субпопуляции. Когда присутствуют ковариаты, как это часто бывает на практике, понимание ковариантных эффектов на вероятность неизлечения и уровень опасности имеет одинаковое значение. Существующие методы ограничены параметрическими и полупараметрическими моделями. Мы предлагаем двухкомпонентную модель скорости излечения с непараметрическими формами как для вероятности излечения, так и для функции степени опасности. Идентифицируемость модели гарантируется аддитивным предположением, которое не допускает ковариационных взаимодействий во времени в логарифме уровня опасности. Оценка выполняется с помощью алгоритма максимизации ожидания при максимизации штрафной вероятности. В целях вывода мы применяем формулу Луи для получения точечных доверительных интервалов для вероятности неизлечения и уровня опасности. Установлены асимптотические скорости сходимости наших оценок функций. Затем мы оцениваем предложенный метод путем обширного моделирования. Мы анализируем данные о выживаемости в исследовании меланомы и находим интересные закономерности для этого исследования.

sklearn.mixture — это пакет, который позволяет изучать
Модели гауссовой смеси (диагональная, сферическая, связанная и полная ковариация).
поддерживаемых матриц), отберите их и оцените по
данные. Средства, помогающие определить необходимое количество
компоненты также предоставляются.

Смешанная модель Гаусса — это вероятностная модель, которая предполагает все
точки данных генерируются из смеси конечного числа
Распределения Гаусса с неизвестными параметрами. Можно подумать о
смешанные модели как обобщающие кластеризацию k-средних для включения
информацию о ковариационной структуре данных, а также
центры латентных гауссианов.

Объект GaussianMixture реализует
максимизация ожидания (EM)
алгоритм подбора смешанных гауссовых моделей. Он также может рисовать
эллипсоиды доверия для многомерных моделей и вычислить
Байесовский информационный критерий для оценки количества кластеров в
данные. А GaussianMixture.fit предоставляется метод, который изучает гауссову
Модель смеси из данных поезда. Учитывая тестовые данные, он может назначить каждому
образец Гаусса, скорее всего, принадлежит использованию
метод GaussianMixture. predict .


: Поскольку этот алгоритм максимизирует только вероятность, он
не будет смещать средние значения к нулю или смещать размеры кластеров к
имеют определенные структуры, которые могут применяться, а могут и не применяться.

: При недостаточном количестве очков за
смеси, оценка ковариационных матриц становится затруднительной,
известно, что алгоритм расходится и находит решения с
бесконечная вероятность, если только искусственно не упорядочить ковариации.
: Этот алгоритм всегда будет использовать все
компоненты, к которым у него есть доступ, нуждающиеся в удерживаемых данных
или информационные теоретические критерии, чтобы решить, сколько компонентов использовать
при отсутствии внешних сигналов.

Критерий BIC можно использовать для выбора количества компонентов в гауссовой
Смешивание эффективным способом. Теоретически он восстанавливает истинное количество
компоненты только в асимптотическом режиме (т.е. если имеется много данных и
предполагая, что данные были фактически сгенерированы i.i.d. из смеси гауссовых
распределение). Обратите внимание, что использование вариационной байесовской гауссовой смеси
избегает указания количества компонентов для гауссовской смеси
модель.

Основная трудность в изучении смешанных моделей Гаусса из немаркированных
данных заключается в том, что обычно не известно, из каких точек
какой скрытый компонент (если кто-то имеет доступ к этой информации, он получает
очень легко подогнать отдельное распределение Гаусса к каждому набору
точки). Ожидание-максимизация
является хорошо обоснованным статистическим
алгоритм, чтобы обойти эту проблему с помощью итеративного процесса. Первый
один предполагает случайные компоненты (случайно сосредоточенные на точках данных,
полученные из k-средних, или даже просто нормально распределенные по
происхождения) и вычисляет для каждой точки вероятность того, что она будет сгенерирована
каждого компонента модели. Затем человек настраивает
параметры, чтобы максимизировать вероятность данных, учитывая те
задания. Повторение этого процесса всегда гарантирует сходимость
к локальному оптимуму.


: Здесь используется метод инициализации кластеризации k-средних: k-means++.
Это выберет первый центр случайным образом из данных. Последующие центры будут
выбран из взвешенного распределения данных в пользу точек, находящихся дальше от
действующие центры. k-means++ — это инициализация по умолчанию для k-means, поэтому будет
быстрее, чем выполнение полного k-средних, но все же может занять значительное количество времени.
время для больших наборов данных со многими компонентами.
: Это выберет случайные точки данных из входных данных в качестве исходных
центры. Это очень быстрый метод инициализации, но он может привести к неконвергентным результатам.
результаты, если выбранные точки находятся слишком близко друг к другу.

Вариационный вывод — это расширение максимизации ожидания, которое
максимизирует нижнюю границу модельных доказательств (включая
априорные) вместо вероятности данных. Принцип, лежащий в основе
вариационные методы аналогичны методу максимизации ожидания (т.
оба являются итеративными алгоритмами, которые чередуются между поиском
вероятности образования каждой точки каждой смесью и
подгонка смеси к этим назначенным точкам), но вариационная
методы добавляют регуляризацию, интегрируя информацию из предыдущих
дистрибутивы. Это позволяет избежать сингулярностей, часто встречающихся в
решения для максимизации ожиданий, но вносит некоторые тонкие предубеждения
к модели. Вывод часто заметно медленнее, но обычно не так быстро, как
настолько, чтобы сделать использование непрактичным.

Из-за своей байесовской природы вариационный алгоритм нуждается в большем количестве гиперпараметров
чем максимизация ожидания, наиболее важным из которых является
параметр концентрации weight_concentration_prior . Указание низкого значения
для предварительной концентрации модель придаст большую часть веса нескольким
компонентов и установите веса остальных компонентов очень близко к нулю. Высокий
Предварительные значения концентрации позволят большему количеству компонентов
быть активным в смеси.

Параметры реализации класса BayesianGaussianMixture
предлагает два типа априорного распределения весов: модель конечной смеси
с распределением Дирихле и модель бесконечной смеси с распределением Дирихле
Процесс. На практике алгоритм вывода процесса Дирихле аппроксимируется и
использует усеченный дистрибутив с фиксированным максимальным числом компонентов (называемым
представление ломания палки). Количество компонентов, которые фактически используются
почти всегда зависит от данных.

На следующем рисунке сравниваются результаты, полученные для разных типов
предыдущая концентрация веса (параметр weight_concentration_prior_type )
для разных значений weight_concentration_prior .
Здесь мы видим значение параметра weight_concentration_prior .
оказывает сильное влияние на эффективное количество полученных активных компонентов. Мы
можно также заметить, что большие значения массы концентрации ранее приводили к
более однородные веса, когда тип априорного распределения — «dirichlet_distribution», а
это не обязательно относится к типу «dirichlet_process» (используется
по умолчанию).

В приведенных ниже примерах сравниваются смешанные модели Гаусса с фиксированным числом
компонентов, к вариационным гауссовским моделям смеси с процессом Дирихле
прежний. Здесь классическая гауссовская смесь снабжена 5 компонентами на
набор данных, состоящий из 2 кластеров. Мы видим, что вариационная гауссовская смесь
с предварительным процессом Дирихле может ограничиться только двумя компонентами
тогда как смесь Гаусса соответствует данным с фиксированным количеством компонентов
который должен быть установлен пользователем заранее. В этом случае пользователь выбрал
n_components=5 , что не соответствует истинному генеративному распределению этого
игрушечный набор данных. Обратите внимание, что при очень небольшом количестве наблюдений вариационный гауссовский
смешанные модели с априорным процессом Дирихле могут занять консервативную позицию, и
подходит только один компонент.

На следующем рисунке мы аппроксимируем набор данных, плохо представленный
Гауссова смесь. Настройка параметра weight_concentration_prior
BayesianGaussianMixture контролирует количество компонентов, используемых для
эти данные. Мы также представляем на последних двух графиках случайную выборку, сгенерированную
из двух полученных смесей.

См. Концентрация предшествующего анализа вариационной байесовской гауссовой смеси
для примера построения эллипсоидов доверия для
BayesianGaussianСмесь с разными
weight_concentration_prior_type для разных значений параметра
weight_concentration_prior .

: , когда weight_concentration_prior достаточно мал и
n_components больше, чем необходимо для модели, т. е.
Модель вариационной байесовской смеси имеет естественную тенденцию задавать некоторую смесь.
значения весов близки к нулю. Это позволяет модели выбирать
подходящее количество эффективных компонентов автоматически. Только верхняя граница
необходимо указать это количество. Обратите внимание, однако, что «идеальное» количество
активные компоненты очень специфичны для приложения и обычно плохо определены
в настройках исследования данных.
: в отличие от конечных моделей, которые
почти всегда используют все компоненты настолько, насколько это возможно, и, следовательно, производят
совершенно разные решения для разного количества компонентов,
вариационный вывод с предварительным процессом Дирихле
( weight_concentration_prior_type='dirichlet_process' ) особо не изменится
с изменениями параметров, что приводит к большей стабильности и меньшему количеству настроек.



: в алгоритмах вывода (а также в
процесс Дирихле, если он используется), и всякий раз, когда возникает несоответствие между
эти предубеждения и данные, возможно, можно было бы подобрать лучшие модели, используя
конечная смесь.

Здесь мы описываем алгоритмы вариационного вывода по процессу Дирихле.
смесь. Процесс Дирихле представляет собой априорное распределение вероятностей на
кластеризации с бесконечным, неограниченным числом разделов .
Вариационные методы позволяют нам включить эту предыдущую структуру в
Смешанные модели Гаусса почти без потерь во времени вывода, сравнивая
с моделью конечной гауссовой смеси.

Важный вопрос заключается в том, как процесс Дирихле может использовать бесконечную,
неограниченное количество кластеров и при этом быть непротиворечивым. Пока полное объяснение
не подходит к этому руководству, можно подумать о процессе ломания палки
аналогия, чтобы помочь понять это. Процесс ломания палки является генеративным
рассказ о процессе Дирихле. Начнем с палочки единичной длины и в каждой
шаг мы обламываем часть оставшейся палочки. Каждый раз мы связываем
длина куска палки к доле точек, попадающих в
группа смеси. В конце концов, чтобы представить бесконечную смесь, мы
связать последний оставшийся кусок палки с долей очков
которые не попадают во все остальные группы. Длина каждой части является случайной
переменная с вероятностью, пропорциональной параметру концентрации. Меньше
значения концентрации будут делить единицу длины на более крупные части
палочка (определяющая более концентрированное распределение). Большая концентрация
значения будут создавать меньшие части палки (увеличение количества
компоненты с ненулевыми весами).