From “Fig. 4”, it can be concluded

From “Fig. 4”, it can be concluded that the feedforward networks are able to simulate and predict the behaviour of
time errors for dental pieces manufacturing –as a consequence of the production process-
and it is capable of modelling more than 89% of the actual measurements.
In “TABLE II” the value of the indexes obtained for the models are shown.
The model thus obtained can be used not only to predict time errors for dental pieces manufacturing
but also to determine the normal operating conditions of dental milling process.

ผลลัพธ์ (ไทย) 1:

จาก "รูป 4" มันสามารถสรุปได้ว่า เครือข่ายเสียงจะสามารถจำลอง และทำนายพฤติกรรมของ ข้อผิดพลาดของเวลาสำหรับทันตกรรมชิ้นผลิต –เป็นผลของกระบวนการผลิต- และสามารถสร้างแบบจำลองกว่า 89% ของการวัดจริง ใน "ตาราง II" ค่าของดัชนีได้สำหรับรุ่นที่จะแสดงขึ้น ใช้รูปแบบจึง ได้รับไม่เพียงแต่การคาดการณ์เวลาข้อผิดพลาดสำหรับทันตกรรมชิ้นส่วนการผลิต แต่ยัง เพื่อกำหนดเงื่อนไขการทำงานปกติของกระบวนการกัดฟัน

ผลลัพธ์ (ไทย) 2:

จาก "รูป 4 "ก็สามารถสรุปได้ว่าเครือข่ายคราทจะสามารถจำลองและทำนายพฤติกรรมของ
ข้อผิดพลาดเวลาสำหรับชิ้นทันตกรรมผลิต -as ผลมาจากกระบวนการผลิตที่
และมันก็เป็นความสามารถในการสร้างแบบจำลองมากกว่า 89% ของการวัดที่เกิดขึ้นจริง
ในตาราง "ครั้งที่สอง" ค่าของดัชนีได้รับสำหรับรุ่นที่มีการแสดง.
รุ่นที่ได้รับจึงสามารถนำมาใช้ไม่เพียง แต่จะคาดการณ์ข้อผิดพลาดเวลาสำหรับชิ้นทันตกรรมการผลิต
แต่ยังเพื่อตรวจสอบสภาพการใช้งานปกติของกระบวนการโม่ทันตกรรม

ผลลัพธ์ (ไทย) 3:

จากรูปที่ 4 " สรุปได้ว่าไปข้างหน้าเครือข่ายสามารถจำลองและทำนายพฤติกรรมของเวลาข้อผิดพลาดสำหรับทันตกรรมชิ้นส่วนการผลิตและเป็นผลของกระบวนการผลิต -และมันมีความสามารถในการจำลองกว่า 89% ของวัดจริงใน " ตารางที่ 2 " มูลค่าของดัชนีได้ สำหรับรุ่นที่แสดงรูปแบบจึงได้สามารถใช้ไม่เพียง แต่จะทำนายเวลาข้อผิดพลาดสำหรับทันตกรรมชิ้นส่วนการผลิตแต่ยังหาปกติเงื่อนไขของกระบวนการกัดฟัน