Доставка

Оперативная доставка на строительные объекты

Подробнее

• Описание товара
• Отзывы (0)

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.

Преимущества:

• Превосходная адгезия к любым минеральным основаниям.




• Высокая эластичность.




• Может наноситься на влажные основания.




• Нейтральный запах, можно проводить работы в закрытом помещении




• Быстрая полимеризация и высыхание.




• Полностью совместима с последующими цементными составами, ровнители, плиточные клея, штукатурки и т.д.




• Может наноситься механизированным способом.

Область применения:

• Гидроизоляция бетонных конструкций




• Подвалы, фундаменты и основания граничащие с грунтом




• Для внутренней гидроизоляции ванных комнат, балконов, террас, бассейнов, бетонных оснований и стяжек




• Может применяться под действием гидростатического давления как на прижим так и на отрыв




• В качестве вторичной защиты для повышения коррозионной стойкости бетона от воздействия морской воды, противогололедных реагентов, органических и неорганических кислот и углекислого газа.

Технические характеристики:

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

Подготовка основания:

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.

Приготовление растворной смеси:

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.

Нанесение:

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.

Уход за покрытием:

До момента полной полимеризации избегать намокания и замораживание конструкции. В условиях жаркого климата следует ограничить попадание прямых солнечных лучей и наличие сквозняков.

Хранение и упаковка:

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.

About this product reviews yet. Be the first!

Категории:ОбмазочнаяГидроизоляция для бассейнов

Модель скорости отверждения двухкомпонентной смеси со сплайн-оценкой непараметрических компонентов

. 2012 г., сен; 68 (3): 726-35.

doi: 10.1111/j.1541-0420.2011.01715.x.

Epub 2011, 14 декабря.

Лу Ван
¹
, Пан Ду, Хуа Лян

принадлежность

• ¹ Novartis Oncology, One Health Plaza, Восточный Ганновер, Нью-Джерси 07936, США.

• PMID:

  22169032

• DOI:

  10.1111/ж.1541-0420.2011.01715.х

Лу Ван и др.

Биометрия.

2012 Сентябрь

. 2012 г., сен; 68 (3): 726-35.

doi: 10.1111/j.1541-0420.2011.01715.x.

Epub 2011, 14 декабря.

Авторы

Лу Ван
¹
, Пан Ду, Хуа Лян

принадлежность

• ¹ Novartis Oncology, One Health Plaza, East Hanover, New Jersey 07936, USA.

• PMID:

  22169032

• DOI:

  10.1111/ж.1541-0420.2011.01715.х

Абстрактный

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.

© 2011, Международное биометрическое общество.

Похожие статьи

• Новый метод оценки для полупараметрической модели восстановления смеси с ускоренным временем разрушения.

  Чжан Дж. , Пэн Ю.

  Чжан Дж. и др.
  Стат мед. 2007 20 июля; 26 (16): 3157-71. doi: 10.1002/sim.2748.
  Стат мед. 2007.

  PMID: 17094075

• Модель пропорциональных рисков, учитывающая долговременное выживание.

  Цодиков А.

  Цодиков А.
  Биометрия. 1998 декабрь; 54 (4): 1508-16.
  Биометрия. 1998.

  PMID: 9883549

• Модель скорости излечения по продвижению по времени с непараметрической формой ковариантных эффектов.

  Чен Т., Ду П.

  Чен Т. и др.
  Стат мед. 2018 10 мая; 37(10):16:25-16:35. дои: 10.1002/sim.7597. Epub 2018, 17 января.
  Стат мед. 2018.

  PMID: 29341205

• Анализ выживания в исследованиях общественного здравоохранения.

  Lee ET, Go OT.

  Ли Э.Т. и др.
  Анну Рев Общественное здравоохранение. 1997; 18:105-34. doi: 10.1146/annurev.publhealth.18.1.105.
  Анну Рев Общественное здравоохранение. 1997.

  PMID: 9143714

  Обзор.

• Обзор и реализация моделей лечения, основанных на времени первого попадания для винеровских процессов.

  Балка Дж., Десмонд А.Ф., Полицейский МакНиколас.

  Балка Дж. и др.
  Анализ данных за всю жизнь. 2009 июнь; 15 (2): 147-76. doi: 10.1007/s10985-008-9108-y. Epub 2009 4 января.
  Анализ данных за всю жизнь. 2009.

  PMID: 19123058

  Обзор.

Посмотреть все похожие статьи

Цитируется

• Гибкая модель лечения опасностей применительно к пациентам с саркомой мягких тканей.

  Се С., Хуан С., Ли Р., Пистерс PWT.

  Се С и др.
  Стат мед. 2022 20 декабря; 41 (29): 5698-5714. doi: 10.1002/sim.9588. Epub 2022 27 сентября.
  Стат мед. 2022.

  PMID: 36165535

• О тестировании на однородность с моделями с нулевым завышением через призму неправильной спецификации модели.

  Хсу В.В., Мавелла Н.Р., Тодем Д.

  Хсу В.В. и др.
  Int Stat Rev. 2022 Apr;90(1):62-77. doi: 10.1111/insr.12462. Epub 2021 5 июля.
  Международная статистика, ред. 2022 г.

  PMID: 35601991
  Бесплатная статья ЧВК.

• Модели лечения для оценки времени до госпитализации из-за COVID-19: тематическое исследование в Галисии (северо-запад Испании).

  Педроса-Лаза М., Лопес-Чеда А. , Као Р.

  Педроса-Лаза М. и соавт.
  Аппл Интелл (Дордр). 2022;52(1):794-807. doi: 10.1007/s10489-021-02311-8. Epub 2021 12 мая.
  Аппл Интелл (Дордр). 2022.

  PMID: 34764600
  Бесплатная статья ЧВК.

• Оценка воздействия для моделей лечения пропорциональных опасностей Кокса с цензурированными интервалами данными о выживании.

  Ван В, Цун Н, Е А, Чжан Х, Чжан Б.

  Ван В и др.
  Биом Дж. 2022 Янв; 64 (1): 91-104. doi: 10.1002/bimj.202000271. Epub 2021 10 августа.
  Биом Дж. 2022.

  PMID: 34378243
  Бесплатная статья ЧВК.

• Тест с дополнительной оценкой для фракции излечения в смешанных моделях для выживших в течение длительного времени.

  Хсу В.В., Тодем Д., Ким К.

  Хсу В. В. и др.
  Биометрия. 2016 декабрь; 72(4):1348-1357. doi: 10.1111/biom.12514. Epub 2016 14 апр.
  Биометрия. 2016.

  PMID: 27078815
  Бесплатная статья ЧВК.

Просмотреть все статьи «Цитируется по»

Типы публикаций

термины MeSH

• 9 0139

2.1. Гауссовые смешанные модели — документация scikit-learn 1.2.2

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.

Модель двухкомпонентной смеси Гаусса: точек данных и равновероятность
поверхности модели.

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.

Scikit-learn реализует различные классы для оценки гауссова
смешанные модели, соответствующие разным стратегиям оценивания,
подробно ниже.

2.1.1. Гауссова смесь

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 .

GaussianMixture поставляется с различными опциями для ограничения
оценивается ковариация разностных классов: сферическая, диагональная, связанная или
полная ковариация.

Примеры:

2.1.1.1. Плюсы и минусы 9 класса0164 Гауссовская смесь

2.1.1.1.1. Плюсы

Скорость:

Самый быстрый алгоритм обучения смешанных моделей

Агностик:

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.

2.1.1.1.2. Минусы

Особенности:

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.

Количество компонентов:

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.

2.1.1.2. Выбор количества компонентов в классической гауссовской модели смеси

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.

Примеры:

2.1.1.3. Алгоритм оценки Максимизация ожидания

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.

2.1.1.4. Выбор метода инициализации

Существует выбор из четырех методов инициализации (а также ввод определенных пользователем
начальные средства) для создания начальных центров для компонентов модели:

k-средних (по умолчанию)

Применяется традиционный алгоритм кластеризации k-средних.
Это может быть дорогостоящим в вычислительном отношении по сравнению с другими методами инициализации.

k-means++

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.

random_from_data

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.

random

Центры выбираются как небольшое отклонение от среднего значения всех данных.
Этот метод прост, но может привести к увеличению времени сходимости модели.

Примеров:

2.1.2. Вариационная байесовская гауссовская смесь

Объект BayesianGaussianMixture реализует вариант
Модель смеси Гаусса с вариационными алгоритмами вывода. API это
аналогично тому, что определено GaussianMixture .

2.1.2.1. Алгоритм оценки: вариационный вывод

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.

Примеры:

• См. эллипсоид модели смеси Гаусса для примера на
  построение доверительных эллипсоидов для обоих GaussianMixture
  и BayesianGaussianMixture .

• Гауссова модель смеси Синусоидальная кривая показывает использование
  GaussianMixture и BayesianGaussianMixture для
  синусоидальная волна.

• 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 .

2.1.2.2. Плюсы и минусы вариационного вывода с

BayesianGaussianMixture

2.1.2.2.1. Плюсы

Автоматический выбор:

, 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.

Меньшая чувствительность к количеству параметров:

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.

Регуляризация:

в связи с включением предварительной информации,
вариационные решения имеют меньше патологических частных случаев, чем
решения, максимизирующие ожидания.

2.1.2.2.2. Минусы

Скорость:

дополнительная параметризация, необходимая для вариационного вывода, делает
вывод медленнее, хотя и ненамного.

Гиперпараметры:

этому алгоритму нужен дополнительный гиперпараметр
для этого может потребоваться экспериментальная настройка с помощью перекрестной проверки.

Смещение:

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.

2.1.2.3. Процесс Дирихле

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).