L'application des rseaux de neurones dans la modlisation des processus Plate roulant

Antonio Augusto Gorni Les rseaux neuronaux sont une technique d'intelligence artificielle relativement nouveau qui mulent le comportement des systmes biologiques neuronaux dans le logiciel ou de matriel numrique. Ces rseaux peuvent apprendre, automatiquement, des relations complexes entre les donnes. Cette caractristique rend la technique trs utile dans la modlisation des processus pour lesquels la modlisation mathmatique est difficile ou impossible. Les travaux dcrits ici dcrit quelques exemples de l'application des rseaux de neurones dans la modlisation des processus laminoir Companhia Siderrgica Paulista , un sidrurgiste brsilien.

INTRODUCTION
Depuis le dbut du calcul numrique la fin des annes 1980, pratiquement toutes les applications de traitement de donnes a adopt une approche de base: calcul programm. Cette approche ncessite le dveloppement prcdent d'un algorithme mathmatique ou logique pour rsoudre le problme la main, qui doit ensuite tre traduite dans une langue de calcul. 1 Cette approche est limite, car il ne peut tre utilis dans les cas o le traitement peut tre faite tre dcrite avec prcision dans un ensemble de rgles connues. Parfois, cependant, le dveloppement d'un tel ensemble de rgles est difficile, voire impossible. En outre, comme les ordinateurs fonctionnent sous une forme tout fait logique, le logiciel final doit tre pratiquement parfait pour travailler correctement. Ainsi, le dveloppement de logiciels informatiques est, en effet, une succession de cycles de projet-test interactif d'amlioration qui peut exiger beaucoup de temps, d'efforts et d'argent. Durant la fin des annes 1980, une approche rvolutionnaire pour les donnes et traitement de l'information apparu-rseaux neuronaux. Cette technique ne ncessite pas le dveloppement d'algorithmes prcdents ou de jeux de rgles pour analyser les donnes. Cela peut considrablement rduire le travail de dveloppement de logiciels ncessaire pour une application donne. Dans la plupart des cas, le rseau neuronal est dj soumis une tape de formation en utilisant les donnes connues, puis la mthodologie ncessaire pour effectuer le traitement requis les donnes sont extraites. Ainsi, un rseau de neurones est capable d'identifier les relations ncessaires partir des donnes relles, en vitant le dveloppement prcdent de n'importe quel modle.

RSEAUX DE NEURONES: un tutoriel

Pour comprendre la diffrence entre le comportement de calcul programms et les rseaux neuronaux, comparer le fonctionnement des ordinateurs avec les humains. Par exemple, un ordinateur peut effectuer des oprations mathmatiques plus rapidement et avec prcision qu'un humain peut. Toutefois, un humain peut reconnatre les visages et les images complexes d'une manire plus prcise, efficace et rapide que ne peut le meilleur ordinateur. 2 L'une des raisons pour cette diffrence de performance peut tre attribue des formes organisation distincte de l'informatique et biologiques des systmes neuronaux. Un ordinateur se compose gnralement d'un processeur de travailler seul, en excutant les instructions dlivres par un seul programmeur par un. Biologique des systmes neuronaux constitus de milliards de cellules nerveuses (les neurones) avec un haut degr d'interconnexion. Les neurones peuvent effectuer des calculs simples sans avoir besoin d'tre pralablement programm. 1-5 L'lment de base d'un rseau de neurones est appele, naturellement, un neurone. Il est galement connu comme un nud, le Figure 1. Une reprsentation schmatique d'un traitement des lments, ou perceptron neurone. (figure 1). Les liens entre les neurones sont appeles synapses. Le signal d'entre un neurone donn est calcule comme suit. Les sorties des neurones prcdents du rseau (c'est dire, leur tat ou les valeurs d'activation X 1, X 2, X 3 dans l'exemple prcis de la figure 1) sont multiplis par leur poids respectif des synapses, P 1, P 2 et P 3. Ces rsultats sont ajouts, ce qui entrane la valeur u qui est livr un neurone donn. Par son tour, la valeur de l'tat ou l'activation de ce neurone est calcule par l'application d'une fonction de seuil sa valeur d'entre, rsultant de la valeur finale v. Cette fonction de seuil, fonction d'activation appelle galement, est souvent non linaire et doit tre choisi de faon critique, car les performances du rseau de neurones dpend fortement sur elle. Gnralement, cette fonction est critique, sigmode. Comment un rseau de neurones apprennent? Pendant l'tape de la formation, les donnes relles (entre et sortie) sont continuellement prsentes. Il compare rgulirement les donnes relles avec des rsultats calculs par le rseau de neurones. La diffrence entre les rsultats rels et calcule (c'est dire, l'erreur) est traite par une procdure relativement complique mathmatique, qui ajuste la valeur du poids synaptique, afin de minimiser cette erreur. Ceci est une caractristique importante des rseaux de neurones, leurs connaissances sont stockes dans les poids des synapses. La dure de l'tape de formation ne doit pas tre trop court afin de permettre au rseau d'extraire pleinement la relation entre les variables. Ni cette tape peut tre trs longue, dans ce cas, le rseau neuronal va simplement mmoriser les donnes relles qui lui sont livrs, en oubliant les relations entre eux. Ainsi, il est conseill de rompre avec environ 20% des donnes disponibles dans un sous-ensemble et

utiliser uniquement les 80% restants de la formation des rseaux neuronaux. L'tape de formation doit tre interrompue priodiquement et le rseau testes en utilisant le sous-ensemble 20%, la vrification de la prcision des rsultats calculs avec des donnes relles. Lorsque la prcision du rseau de neurones se stabilise et cesse de crotre, il est temps de considrer le rseau neuronal entirement forms. La figure 2 montre deux types de base de rseaux neuronaux en matire de flux de donnes et la formation. Le rseau neuronal Rummelhart type Figure 2. Rummelhart (a) et (b) de (figure 2a) montre le flux de donnes dans un seul Hopfield et les types de rseaux neuronaux. sens (c'est dire, c'est un rseau unidirectionnel). Sa simplicit et sa stabilit en font un choix naturel pour les applications telles que l'analyse des donnes, la classification et l'interpolation. Par consquent, il est particulirement adapt pour la modlisation des processus, et, en fait, il ya beaucoup d'applications du monde rel de ce type de rseau. Une caractristique fondamentale de ce rseau est l'agencement des neurones en couches; comme, il doit y avoir au moins deux couches de donnes d'entre et de sortie des donnes. Comme la performance de deux couches de rseaux de neurones est trs limite, il comprend gnralement au moins une couche plus intermdiaire, aussi appele la couche cache. Chaque neurone est reli tous les neurones des couches voisines, mais il n'ya pas de liens entre les neurones de la mme couche. Le comportement du rseau Rummelhart est statique; sa sortie est un reflet de son entre respectifs. Il doit tre pralablement forms en utilisant des donnes relles afin d'effectuer convenablement. Le rseau de neurones de Hopfield (figure 2b), d'autre part, a multidirectionnelle flux de donnes. Son comportement est dynamique et plus complexe que le rseau Rummelhart. Les rseaux de Hopfield ne montrent couches de neurones, il ya une intgration totale entre l'entre et de sortie, comme tous les neurones sont relis entre eux. Ces rseaux sont gnralement utiliss pour des tudes sur l'optimisation des connexions. Ce type de rseau de neurones peut tre form avec ou sans supervision; le but de sa formation est la minimisation de son nergie, conduisant un comportement indpendant. Cependant, il n'ya pas d'application pratique pour ce rseau ce moment. Applications particulirement adapt aux rseaux de neurones sont celles dans lesquelles la formulation mathmatique est trs difficile, voire impossible. Quelques exemples sont l'analyse des signaux et de traitement, de contrle de processus, de la robotique, la classification des donnes, le lissage, la reconnaissance des formes, l'analyse d'image, analyse de la parole, les diagnostics mdicaux, de la prvision boursire, d'analyse des sollicitations de prt ou de crdit, et le marketing orient.

La comparaison entre rseaux neuronaux et les systmes experts montre que le dveloppement de l'ancien est plus rapide, plus simple et moins cher. Cependant, un inconvnient majeur l'utilisation de rseaux neuronaux vient du fait qu'il n'est pas toujours possible de savoir comment un rseau de neurones a obtenu un rsultat donn. Parfois, cela peut tre trs gnant, surtout lorsque les rsultats de rseaux de neurones-calcules sont atypiques ou imprvus. Cependant, l'utilisation d'hybrides systmes d'intelligence artificielle (par exemple, l'utilisation conjugue des rseaux de neurones avec des systmes experts ou logique floue) sont de plus en plus de bons rsultats grce l'utilisation optimise de ses meilleures caractristiques. Il ya quelques avantages des rseaux de neurones au cours de rgression multiple. Il n'est pas ncessaire de slectionner les variables les plus importantes indpendant dans le jeu de donnes, comme les rseaux de neurones peuvent automatiquement les slectionner. Les synapses associes des variables non pertinentes facilement afficher des valeurs de poids ngligeable; son tour, les variables pertinentes prsents significative des valeurs de poids des synapses. Il est galement inutile de proposer une fonction de modle tel que requis dans la rgression multiple. La capacit d'apprentissage des rseaux de neurones leur permet de dcouvrir des interactions plus complexes et subtils entre les variables indpendantes, ce qui contribue l'laboration d'un modle avec une prcision maximale. En outre, les rseaux de neurones sont intrinsquement robustes (c'est dire, ils montrent plus d'immunit au bruit prsent dans les donnes relles), ce qui est un facteur important dans la modlisation de procds industriels. Il faut noter que l'utilisation de techniques statistiques peuvent tre extrmement utiles dans l'analyse prliminaire des donnes brutes utilises pour dvelopper un rseau de neurones. Les donnes peuvent tre affines, ce qui minimise encore plus le temps de dveloppement et des efforts d'un rseau fiable de neurones ainsi que la maximisation de sa prcision. Hybride statistique-neuraux les systmes de rseaux peut tre une solution trs utile pour certains problmes spcifiques.

APPLICATIONS MOULIN PLAQUE

Il ya d'innombrables exemples d'applications de rseaux de neurones dans le domaine mtallurgique. Certains cas concernant le laminage chaud d'acier sont

Le dimensionnement des dalles pour rouler assiette. 6 La modlisation de la rsistance chaud un acier d'acier bas sur la temprature, la dformation, la vitesse de dformation, et l'effet de composition chimique. 7 , 8 La dtermination des diagrammes TTT partir de la composition chimique d'un acier. 9 Pass-calendrier de calcul des hot-bande de moulins. 10 , 11 La possibilit de produire certaines qualits d'une acirie au particulier. 12

Afin d'valuer la performance des rseaux de neurones dans des conditions relles des plantes au Companhia Siderrgica Paulista (COSIPA) moulins industriels roulant, il a t dcid d'utiliser la technique pour la modlisation off-line de plusieurs processus laminoir. Dans certains cas, ces processus taient dj modliss en utilisant des techniques statistiques, ce qui permet une comparaison entre les deux approches. Tous les rseaux neuronaux dvelopps taient du type Rummelhart, avec une couche cache, et form par la mthode de rtropropagation. Les rseaux de neurones inclus un biais dans la couche d'entre pour amliorer la capacit de modlisation du rseau de neurones. 1 Dans chaque cas, 80% des donnes mondiales brutes ont t rservs pour la formation du rseau; les 20% restants a t priodiquement utilis dans la vrification de prcision l'volution du rseau de neurones. L'tape de formation de la plupart des rseaux de neurones tudis dans ce travail ont converg dans 60 000 itrations. valuation du rseau de neurones a t ralise en calculant le coefficient de corrlation de Pearson (r) et l' erreur type d'estimation (SEE); parcelles de dispersion ont aussi t utiliss. Le logiciel utilis pour le dveloppement et la formation des rseaux neuronaux a t NeuralWorks .

Profil thermique des dalles dans le four de rchauffage

Profils thermiques des dalles tant rchauffs sont priodiquement prlevs COSIPA laminoir de l '. Ces profils sont mesurs avec une dalle ayant instrument trous percs plusieurs endroits et des profondeurs. Chromel-alumel thermocouples sont insrs dans ces trous et reli un enregistreur de donnes, qui mesurent l'volution de temprature pendant le rchauffage de la dalle. L'enregistreur de donnes est abrit dans un botier en acier revtu de non oxydant laine de roche et rempli d'eau et de glace. Un modle de rseau neuronal a t dvelopp pour prvoir la temprature intrieure de la dalle tant rchauff en fonction du temps de rchauffage et des tempratures superficielles. C'est un cas avec une solution relativement facile mathmatiques, et, par consquent, a permis une comparaison entre les les performances des rseaux neuronaux et les modles conventionnels numriques. Aprs des essais de configuration de plusieurs, un rseau de neurones trois couches a t conu. La couche d'entre compose de trois neurones: le temps de rchauffage (min.), dalle de temprature de surface suprieure ( C), et la dalle basse temprature de surface ( C). La couche cache contient 13 neurones, et la couche de sortie se composait de dix neurones, dont chacun reprsente un point dans la dalle instrumente o la temprature a t mesure. Varier le nombre de neurones dans la couche cache, ainsi que l'utilisation de plus d'une couche cache, n'a pas amlior la performance du rseau de neurones, qui

avait sa meilleure performance en prvision de la temprature dans l'paisseur miparcours de la dalle (r = ~ 0,997; SEE = 26,5 C). La pire performance a eu lieu prs de la surface infrieure de la dalle (r = ~ 0,993; SEE = 36,6 C). La figure 3 montre la dispersion des parcelles de la temprature relle et calcule pour les deux zones considres. La performance du rseau de neurones a t considre comme suffisante, car elle tait similaire prcdemment dvelopp des modles mathmatiques, qui a montr les erreurs de ~ 30 C.

DTECTION turn-up PENDANT PLAQUE ROULANT

Le turn-up, ou excessive la hausse s'inclinant, des produits lamins en cours de laminage plaques est un problme srieux, en tant que matire en cours de dploiement peuvent entrer en collision avec la cage de laminage ou de l'quipement auxiliaire, causant d'importants dgts. Ce problme a t commune COSIPA laminoir 's, en particulier lors du traitement des aciers au nickel. Des travaux antrieurs ont montr que des altrations dans le calendrier pourrait passer de minimiser l'occurrence de turn-up, ce travail conduit l'laboration d'un modle statistique pour calculer un calendrier passage optimis. Il y avait une large critique des valeurs de contrainte viter lors du laminage la plaque. Cependant, ce modle statistique, parfois des valeurs calcules irralisable de lacunes rouleau. Dans certains cas, les valeurs calcules ont t excessivement faible, compromettant ainsi la productivit; en d'autres occasions, ils taient excessivement levs bien au-dessus des capacits de l'usine de la charge, le couple et la puissance. Lorsque les rseaux de neurones est devenu disponible, une application naturelle tait de les utiliser pour rsoudre le problme de turn-up puisque le modle statistique a t insatisfaisante. Aprs plusieurs essais, un rseau de neurones a t dvelopp constitu d'une couche d'entre avec cinq neurones (c'est--tour par tour dsire jusqu' l'indice, la vitesse des cylindres de travail priphriques [rpm]; charge roulante [t], calcul par le modle Sims, largeur du matriel roulant [ distance et l'cartement des cylindres [mm] utilis dans la passe de laminage ancien); mm]. La couche cache avait onze neurones, et la couche de sortie contient un neurone, ce qui reprsente la distance de roulement recommande cart (mm) pour la passe de laminage suivante. L'indice turn-up utilis comme une variable d'entre a t dfinie en utilisant une chelle arbitraire allant de 0 5 reprsentant le niveau de gravit porportional dfaut. Le nombre de neurones dans la couche cache de ce rseau de neurones a

Figure 3 prcision obtenue par le rseau de neurones dans la modlisation de profils thermiques d'une brame d'acier pendant le rchauffage.: (A) mi-paisseur de la temprature; (b) prs-le-bas-temprature de surface.

t calcule aprs la Hecht- Kolmogorov thorme de l ', qui affirme que le nombre optimal de neurones d'une couche cache est gal au double du nombre de neurones d'entre plus un. Le rseau neuronal dvelopp montr r = 0,992 et SEE = ~ 3,0 mm. La figure 4 montre le graphique de dispersion des valeurs relles et calcules. Les variables les plus influentes, comme indiqu par le rseau neuronal entran, sont turn-up index et dploiement initial foss de la distance, suivie par (dans un ordre dcroissant d'importance) de largeur du matriel roulant, la charge roulante, et le travail-roll vitesse priphrique. Toutes les valeurs calcules sont trs proches des valeurs relles. Autrement dit, le rseau de neurones n'ont pas gnr les valeurs absurdits Figure 4. Parcelle dispersion des valeurs de rseaux de neurones-calcules et relles pour comme le polynme de rgression dvelopp le contrle turn-up dfauts. prcdemment. Des travaux antrieurs sur la survenue tournez-up COSIPA laminoir l 'avait rvl que ce dfaut tait plus frquente dans une gamme spcifique de l'cartement des cylindres valeurs: 60-80 mm. Ceci est confirm par les rseaux de neurones forms, comme le dploiement initial cart de valeur est l'une des plus variables influenant le modle. En outre, la SEE est recevable ds lors qu'elle est gale seulement 7,5% du minimum cartement des cylindres de valeur. Toutefois, ceci est valable puisque l'paisseur finale de la plaque n'est pas entre 40-80 mm.

CALCUL JETER LONGITUDINALE LORS DE L'UTILISATION AVION DE VUE DE CONTRLE

Tles lamines partir de brames coules en continu prsente gnralement les extrmits longitudinales avec une forme langue. Cela diminue l'indice de forme rectangulaire du stock lamin, ce qui affecte son rendement mtalliques, comme des portions irrgulires dans les extrmits de la plaque doivent tre coups.Cette caractristique peut tre attribue au profil d'paisseur particulire des dalles coules en continu. Ces dalles sont lgrement plus pais la mi-largeur, rsultant en une distribution de masse non homogne le long du matriel roulant, ce qui affecte la forme de ses extrmits longitudinales. Une solution potentielle ce problme est d'appliquer un profil d'paisseur particulire dans le matriel roulant pendant l'application de la dernire passe de l'tape broadsizing. Aprs ce laissez-passer spcial, la largeur du matriel roulant prsente un profil d'paisseur qui se compose essentiellement d'un "V" en forme de cran ou la forme d'un os de chien. Le dveloppement de ce processus COSIPA a conduit une augmentation de 7% dans le rendement mtallique de la tlerie. Pendant le dveloppement de ce processus, un polynme de rgression a t cr pour corrler le "V" en forme de profondeur de l'entaille et la dformation totale

applique au stock lamin aprs l'tape broadsizing avec la longueur de la portion de la jete du stock final roul, permettant ainsi une meilleure comprhension du processus et un chque de ses possibilits d'optimisation. Ce polynme prsents r = 0,903 et SEE = 132 mm. Une fois de plus, cela semblait tre une bonne application pour un rseau de neurones, comme cela pourrait tre une opportunit pour amliorer Figure 5. Parcelle dispersion des valeurs de la prvision de la longueur de la partie au rseaux de neurones-calcules et relles rebut. Le meilleur rseau de neurones destin pour estimer la longueur de la partie jets dans des plaques soumises au plan de remplacer l'quation polynomiale avait une contrle-vue pendant le laminage. couche d'entre avec deux neurones ("V" en forme de profondeur de l'entaille [mm] et le total de contrainte appliques aux produits lamins, aprs broadsizing tape [%]); une couche cache avec cinq neurones (selon le dj mentionn Hecht- Kolmogorov thorme de l ') et une couche de sortie avec un neurone (qui reprsente la longueur de la partie jets dans le stock final lamin [mm]). Le rseau de neurones a montr r = 0,943 et SEE = 61 mm. L'intrigue de dispersion des valeurs relles et calcules pour la longueur de la partie jets dans le stock final lamin peut tre vu dans la Figure 5. Bien que le rseau de neurones a montr de meilleures performances que le polynme de rgression (la SEE a chut d'environ 54%), les erreurs observes dans la Figure 5 sont encore importantes. Peut-tre la cause de ces erreurs relativement lev provient de l'utilisation de la longueur de jeter comme un paramtre d'valuation du rendement mtallique du processus. Ce paramtre est moins reprsentatif que le poids ou la surface de la partie, mais jets, en compensation, est plus facile de mesurer la variable dans des conditions industrielles.

PASS CALCUL HORAIRE

Un des paramtres de qualit les plus strictes de la plaque est son indice de planit. L'approche traditionnelle consiste contrler la planit contrlant la variation de taux de la Couronne: la variation d'paisseur dans une fourchette limite, surtout au cours des trois derniers passages du programme de laminage. Ce fait a t confirm COSIPA laminoir de l '.

Figure 6. Parcelles de dispersion pour le calendrier passent sur l'optimisation de la planit plaque partir des valeurs de rseaux de neurones-calcule et relle de l'cartement

Les modles mathmatiques de calcul des horaires de passage sont relativement faciles dvelopper, mais l'utilisation de rseaux neuronaux est plus simple. Les trois derniers passages de l'horaire de roulement ont t modliss sur l'optimisation de la planit plaques: un rseau de neurones a t attribue pour chaque passage. Les trois rseaux de neurones ont la mme configuration. La couche d'entre compose de dix neurones (paisseur de la plaque finale [mm], la largeur de la plaque finale [mm], l'indice de planit vise en plaque finale, l'indice de planit observe aprs passage pralable, l'cart rouleau de passage avant [mm], la charge roulante mesure lors du passage pralable [t], la temprature mesure lors du passage pralable [ C], couronne originale du cylindre de travail suprieur [mm], la couronne originale du rouleau infrieures travail [mm], et, roulant jauge de stock depuis le dernier changement du travail rouleaux [t]). La couche cache avait 21 neurones (en fonction de Hecht- Kolmogorov thorme de l '), et la couche de sortie avait un neurone, qui reprsente la valeur cartement des cylindres de la passe correspondant (mm).
des cylindres pour (a) le troisime la dernire, (b) de l'avant-dernier, et (c) le dernier rouler plaque passe.

L'indice de planit utilises dans ce modle varie de 0 5 (plus le nombre, le pire de la planit plaque). La performance du rseau de neurones a t trs bonne.Correspondant aux trois dernires passes, r = 0,998, 0,998, et 0,999, respectivement; SEE = 0,430 mm, 0,394 mm, et 0.140 mm, respectivement. La figure 6 montre les courbes de dispersion des valeurs relles et calcules pour les trois derniers passages du programme de laminage. Les variables les plus importantes dans ces rseaux de neurones ont t l'indice de planit vise, la couronne d'origine dans le cylindre de travail suprieur, et le tonnage du matriel roulant aprs le dernier changement de cylindres de travail. Il y avait galement des paramtres d'importance moyenne, comme la largeur de la plaque finale / paisseur et la temprature / charge de la passe prcdente. Enfin, avant de passer des variables telles que l'indice de planit / rouleau cart ne s'est pas montr une grande influence, mais ont t vitaux pour amliorer la prcision des rseaux de neurones, ce qui rend son utilisation possible dans des conditions industrielles. En effet, durant l'tape d'apprentissage, les rseaux neuronaux identifi les variables les plus importantes lies la planit qui sont traditionnellement dfinis par le roulement thorie originale de la Couronne de cylindres de travail et le matriel roulant et fort tonnage, car un changement de cylindres de travail. Cette dernire variable montre gnralement une bonne corrlation avec la couronne thermique et l'usure des cylindres de travail, facteurs qui affectent la couronne rouleau rsultante et, par consquent, la planit assiette. Flexion des cylindres de travail promu par la charge de laminage a t galement examin, comme cela a t inclus dans la couche d'entre des rseaux de neurones.

Le dernier passage est le plus important de dfinir les dimensions finales de la plaque, en particulier son paisseur. Les erreurs observes dans les rsultats calculs par les rseaux neuronaux respectifs variaient de -0,26 mm 0,17 mm, pratiquement dans la fourchette de tolrance commerciale plaque d'paisseur. Les rsultats peuvent tre encore amliores en plus prcis des systmes d'acquisition de donnes deviennent disponibles. Ces systmes devraient viter les erreurs humaines lors de la collecte des donnes et amliorer la prcision des paramtres mesurs.

CONCLUSIONS
COSIPA l'exprience de l 'usine de plaques montre que les rseaux de neurones constituent une technique simple mais puissant pour la modlisation des processus. Les modles ont t dvelopps rapidement en utilisant seulement les donnes relles, et elles montrent une meilleure prcision que leurs plusdveloppement forte intensit de leurs homologues statistiques. Malheureusement, le manque d'instruments, des capacits d'acquisition de donnes, et des installations informatiques au COSIPA laminoir de l 'obstacle l'application en ligne de ces modles. Un des inconvnients des rseaux de neurones, c'est la complexit des matriels et logiciels ncessaires pour permettre l'application industrielle. Par exemple, si les conditions de processus de changement de celles utilises lors de l'entranement du rseau neuronal, les donnes doivent nouveau tre collectes, analyses et utilises pour le recyclage du systme. Une autre question considrer est le manque de confiance des gens pensent de la performance des rseaux de neurones, car il est difficile de comprendre comment, exactement, ces rseaux de gnrer des rsultats. Cette rserve avec la technologie sera corrig dans le temps, cependant, que l'application des rseaux de neurones devient plus courante et la fiabilit de leurs rsultats soit dmontre.