論文の概要: Using neural networks to predict icephobic performance

• arxiv url: http://arxiv.org/abs/2008.00966v1
• Date: Fri, 31 Jul 2020 05:37:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 07:20:26.578401
• Title: Using neural networks to predict icephobic performance
• Title（参考訳）: ニューラルネットワークによるアイスフォビック性能の予測
• Authors: Rahul Ramachandran
• Abstract要約: 超疎水性表面に触発されたアイスホビック表面は、アイシング問題に対する受動的解を提供する。 超水素疎水化を助長する物質的特徴が氷疎水化性能に悪影響を及ぼす可能性があるため、氷疎水化のモデル化は困難である。 本研究では, 人工ニューラルネットワークを用いたアイスフォビシティのモデル化手法を提案する。
• 参考スコア（独自算出の注目度）: 0.5076419064097732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Icephobic surfaces inspired by superhydrophobic surfaces offer a passive solution to the problem of icing. However, modeling icephobicity is challenging because some material features that aid superhydrophobicity can adversely affect the icephobic performance. This study presents a new approach based on artificial neural networks to model icephobicity. Artificial neural network models were developed to predict the icephobic performance of concrete. The models were trained on experimental data to predict the surface ice adhesion strength and the coefficient of restitution (COR) of water droplet bouncing off the surface under freezing conditions. The material and coating compositions, and environmental condition were used as the models' input variables. A multilayer perceptron was trained to predict COR with a root mean squared error of 0.08, and a 90% confidence interval of [0.042, 0.151]. The model had a coefficient of determination of 0.92 after deployment. Since ice adhesion strength varied over a wide range of values for the samples, a mixture density network was model was developed to learn the underlying relationship in the multimodal data. Coefficient of determination for the model was 0.96. The relative importance of the input variables in icephobic performance were calculated using permutation importance. The developed models will be beneficial to optimize icephobicity of concrete.
• Abstract（参考訳）: 超疎水性表面に触発されたアイスホビック表面は、アイシング問題に対する受動的解を提供する。 しかし, 超疎水化を助長する物質的特徴によっては, 耐氷性能に悪影響を及ぼす可能性があるため, アイスフォビシティのモデル化は困難である。 本研究では, 人工ニューラルネットワークを用いたアイスフォビシティのモデル化手法を提案する。 人工ニューラルネットワークモデルを用いて, コンクリートの凍結性能を予測した。 実験データを用いて, 凍結条件下で水滴の表面着氷強度と再着氷係数(cor)を推算した。 材料, 塗料組成物, および環境条件をモデル入力変数として用いた。 多層パーセプトロンを用いて根平均二乗誤差 0.08, 90%信頼区間 [0.042, 0.151] のcorを予測した。 このモデルは展開後の0.92の係数を持つ。 氷の付着強度は試料の幅広い値に対して変化するため, 混合密度ネットワークをモデルとして, マルチモーダルデータの基盤となる関係を学習した。 判定係数は0.96。 アイスフォビック性能における入力変数の相対的重要性を置換重要度を用いて算出した。 開発モデルはコンクリートの耐氷性を最適化する上で有益である。

関連論文リスト

• Unicorn: U-Net for Sea Ice Forecasting with Convolutional Neural Ordinary Differential Equations [6.4020980835163765]
  本稿では,毎週の海氷予測を目的とした,Unicornという新しい深層建築について紹介する。 本モデルでは,アーキテクチャ内に複数の時系列画像を統合することにより,予測性能を向上する。
  論文  参考訳（メタデータ） (2024-05-07T01:17:06Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Comparison of Cross-Entropy, Dice, and Focal Loss for Sea Ice Type Segmentation [1.4364491422470593]
  我々は,3つの損失関数がセンチネル-1画像における支配的な氷のタイプを予測するために訓練されたCNNモデルの性能にどう影響するかを示す。 Dice と Focal の損失がより高いメトリクスを生み出すという事実にもかかわらず、クロスエントロピーの結果は一般により物理的に一貫性があるように見える。
  論文  参考訳（メタデータ） (2023-10-26T04:18:00Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• A Hybrid Deep Neural Operator/Finite Element Method for Ice-Sheet Modeling [0.0]
  我々は,既存の氷床計算モデルをそのコストのごく一部で近似するハイブリッド手法を開発した。 得られたハイブリッドモデルは非常に正確であり、従来の有限要素モデルよりも桁違いに高速であることを示す。 そして、グリーンランドのフンボルト氷河の進化を目標とし、我々のハイブリッドモデルが氷河の質量損失の正確な統計を提供することを示す。
  論文  参考訳（メタデータ） (2023-01-26T20:28:34Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Capabilities of Deep Learning Models on Learning Physical Relationships: Case of Rainfall-Runoff Modeling with LSTM [0.0]
  本研究では,深層学習手法が入力データと出力データとを識別できる関係について検討する。 日中降水量と平均空気温度をモデル入力として, 日中流量を推定した。 本研究では,入力変数と対象変数との明示的な物理的関係を,深層学習では適切に学習できないことを示す。
  論文  参考訳（メタデータ） (2021-06-15T08:36:16Z)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Contextual Dropout: An Efficient Sample-Dependent Dropout Module [60.63525456640462]
  ドロップアウトは、ディープニューラルネットワークのトレーニングプロセスを正規化するシンプルで効果的なモジュールとして実証されています。 単純でスケーラブルなサンプル依存型ドロップアウトモジュールとして,効率的な構造設計によるコンテキスト型ドロップアウトを提案する。 提案手法は,不確実性推定の精度と品質の両面において,ベースライン法よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-06T19:30:32Z)
• Constraining subglacial processes from surface velocity observations using surrogate-based Bayesian inference [0.0]
  基底運動は、南極の外での氷の流束の主要なメカニズムであるが、それを予測するための広く適用可能なモデルである。 これは、小規模のベッド特性の観察と、基底運動が依存する時間変化水圧の予測の両方が困難であるためである。 我々は、グリーンランド南西部の表面速度の観測に基づく氷力学と氷下水理の結合モデルと条件付けにより、これらの問題にベイズ的アプローチを採っている。
  論文  参考訳（メタデータ） (2020-06-22T16:47:33Z)

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。