論文の概要: Pendant Drop Tensiometry: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2006.10111v1
- Date: Wed, 17 Jun 2020 19:22:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:38:02.919509
- Title: Pendant Drop Tensiometry: A Machine Learning Approach
- Title（参考訳）: Pendant Drop Tensiometry: 機械学習アプローチ
- Authors: Felix Kratz and Jan Kierfeld
- Abstract要約: 我々は、与えられた液滴形状の表面張力を決定するために、ディープニューラルネットワークを訓練する。
深層学習法は, 技術形状適合法の現状よりも, 速度, 精度が優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern pendant drop tensiometry relies on numerical solution of the
Young-Laplace equation and allow to determine the surface tension from a single
picture of a pendant drop with high precision. Most of these techniques solve
the Young-Laplace equation many times over to find the material parameters that
provide a fit to a supplied image of a real droplet. Here we introduce a
machine learning approach to solve this problem in a computationally more
efficient way. We train a deep neural network to determine the surface tension
of a given droplet shape using a large training set of numerically generated
droplet shapes. We show that the deep learning approach is superior to the
current state of the art shape fitting approach in speed and precision, in
particular if shapes in the training set reflect the sensitivity of the droplet
shape with respect to surface tension. In order to derive such an optimized
training set we clarify the role of the Worthington number as quality indicator
in conventional shape fitting and in the machine learning approach. Our
approach demonstrates the capabilities of deep neural networks in the material
parameter determination from rheological deformation experiments in general.
- Abstract（参考訳）: 現代のペンダント滴テンジオメトリはヤング・ラプラス方程式の数値解に依存しており、ペンダント滴の1枚の画像から表面張力を高精度に決定できる。
これらの手法の多くはヤング・ラプラス方程式を何度も解き、実液滴の供給された画像に適合する物質パラメータを見つける。
本稿では,この問題を計算効率良く解くための機械学習手法を提案する。
深層ニューラルネットワークを用いて与えられた液滴形状の表面張力を数値的に生成された液滴形状のトレーニングセットを用いて決定する。
特に, トレーニングセットの形状が表面張力に対する液滴形状の感度を反映している場合, ディープラーニングアプローチは, アートシェイプフィッティングアプローチの速度と精度において, 現状よりも優れていることが示された。
このような最適化されたトレーニングセットを導出するために,従来の形状整合および機械学習アプローチにおける品質指標としてのWorthington数の役割を明らかにする。
本手法は,一般のレオロジー変形実験による材料パラメータ決定におけるディープニューラルネットワークの能力を示す。
関連論文リスト
- Learning the solution operator of two-dimensional incompressible
Navier-Stokes equations using physics-aware convolutional neural networks [68.8204255655161]
パラメトリゼーションを必要とせず, 種々の測地における定常ナビエ-ストークス方程式の近似解を学習する手法を提案する。
物理を意識したCNNの結果は、最先端のデータベースアプローチと比較される。
論文 参考訳（メタデータ） (2023-08-04T05:09:06Z) - SANE: The phases of gradient descent through Sharpness Adjusted Number
of Effective parameters [19.062678788410434]
ネットワークトレーニング中にヘッセン行列を考える。
シャープネス調整された有効パラメータ(SANE)は、大きな学習率に対して堅牢であることを示す。
我々は、大きな学習率で「ロス盆地」にまたがるエビデンスとヘッセンシフトを提示する。
論文 参考訳（メタデータ） (2023-05-29T13:29:31Z) - Neural Galerkin Schemes with Active Learning for High-Dimensional
Evolution Equations [44.89798007370551]
本研究では,高次元偏微分方程式を数値的に解くために,能動的学習を用いた学習データを生成するディープラーニングに基づくニューラル・ガレルキンスキームを提案する。
ニューラル・ガレルキンスキームはディラック・フランケル変分法に基づいて、残余を時間とともに最小化することで、ネットワークを訓練する。
提案したニューラル・ガレルキン・スキームの学習データ収集は,高次元におけるネットワークの表現力を数値的に実現するための鍵となる。
論文 参考訳（メタデータ） (2022-03-02T19:09:52Z) - DeepMLS: Geometry-Aware Control Point Deformation [76.51312491336343]
本稿では,空間に基づく変形技術であるDeepMLSを紹介する。
ニューラルネットワークの力を利用して、下層の形状を変形パラメータに注入する。
本手法は直感的に滑らかな変形をしやすくし, 製造物に適している。
論文 参考訳（メタデータ） (2022-01-05T23:55:34Z) - Machine Learning-Accelerated Computational Solid Mechanics: Application
to Linear Elasticity [0.0]
我々は、高解像度ラベル付きデータを用いることなく、物理系の支配方程式と境界条件を利用してモデルを訓練する。
超解場は、粗いメッシュ解像度の400倍の精度で進行数値計算器の精度と一致することを示した。
論文 参考訳（メタデータ） (2021-12-16T07:39:50Z) - Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。
この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。
ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2021-10-01T10:03:57Z) - Adaptive Learning Rate and Momentum for Training Deep Neural Networks [0.0]
本研究では,非線形共役勾配(CG)フレームワークによる高速トレーニング手法を開発した。
画像分類データセットの実験により,本手法は他の局所解法よりも高速な収束が得られることが示された。
論文 参考訳（メタデータ） (2021-06-22T05:06:56Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳（メタデータ） (2020-06-10T14:47:43Z) - NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。
これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
論文 参考訳（メタデータ） (2020-04-06T20:46:37Z) - DeepFit: 3D Surface Fitting via Neural Network Weighted Least Squares [43.24287146191367]
本研究では,非構造型3次元点雲の表面フィッティング法を提案する。
DeepFitと呼ばれるこの方法は、ニューラルネットワークを組み込んで、重み付けされた最小二乗表面フィッティングのポイントワイド重みを学習する。
論文 参考訳（メタデータ） (2020-03-23T09:18:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。