論文の概要: Machine Learning and Computer Vision Techniques to Predict Thermal Properties of Particulate Composites

• arxiv url: http://arxiv.org/abs/2010.01968v1
• Date: Thu, 27 Aug 2020 06:21:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 07:44:35.787866
• Title: Machine Learning and Computer Vision Techniques to Predict Thermal Properties of Particulate Composites
• Title（参考訳）: 粒子複合材料の熱物性予測のための機械学習とコンピュータビジョン技術
• Authors: Fazlolah Mohaghegh, Jayathi Murthy
• Abstract要約: 本研究では, 粒子状複合材料の熱特性を微視的特徴量に基づいて評価する手法を提案する。 我々のコンピュータビジョンに基づくアプローチは、2次元SEM画像のスタックから3次元画像を構築し、いくつかの代表的要素ボリューム(REV)を抽出する。 深層学習アルゴリズムは畳み込みニューラルネットに基づいて設計され、幾何学の形状をとり、REVの効果的な導電性をもたらす。
• 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: Accurate thermal analysis of composites and porous media requires detailed characterization of local thermal properties in small scale. For some important applications such as lithium-ion batteries, changes in the properties during the operation makes the analysis even more challenging, necessitating a rapid characterization. We propose a new method to characterize the thermal properties of particulate composites based on actual micro-images. Our computer-vision-based approach constructs 3D images from stacks of 2D SEM images and then extracts several representative elemental volumes (REVs) from the reconstructed images at random places, which leads to having a range of geometrical features for different REVs. A deep learning algorithm is designed based on convolutional neural nets to take the shape of the geometry and result in the effective conductivity of the REV. The training of the network is performed in two methods: First, based on implementing a coarser grid that uses the average values of conductivities from the fine grid and the resulted effective conductivity from the DNS solution of the fine grid. The other method uses conductivity values on cross sections from each REV in different directions. The results of training based on averaging show that using a coarser grid in the network does not have a meaningful effect on the network error; however, it decreases the training time up to three orders of magnitude. We showed that one general network can make accurate predictions using different types of electrode images, representing the difference in the geometry and constituents. Moreover, training based on averaging is more accurate than training based on cross sections. The study of the robustness of implementing a machine learning technique in predicting the thermal percolation shows the prediction error is almost half of the error from predictions based on the volume fraction.
• Abstract（参考訳）: 複合材料と多孔質媒体の正確な熱分析には, 局所熱特性の詳細なキャラクタリゼーションが必要である。 リチウムイオン電池などの重要な用途では、動作中の特性の変化により解析がさらに難しくなり、迅速なキャラクタリゼーションが必要となる。 本研究では, 粒子状複合材料の熱的特性を, 実際のマイクロイメージに基づいて特徴付ける新しい手法を提案する。 2d sem画像のスタックから3d画像を作成し、ランダムな場所で再構成された画像から数種類の代表要素ボリューム(rev)を抽出することにより、さまざまなレバーの幾何学的特徴を多用する。 深層学習アルゴリズムは、畳み込みニューラルネットワークに基づいて設計され、形状の形状を考慮し、revの効果的な導電性をもたらす。第1に、微細格子からの導電率の平均値と、微細格子のdns溶液から得られる有効導電率を用いた粗いグリッドの実装に基づいて、ネットワークのトレーニングを行う。 他の方法は、各REVから異なる方向の断面の導電率値を使用する。 平均化に基づくトレーニングの結果,ネットワーク内の粗いグリッドはネットワークエラーに有意な影響を及ぼさないが,最大3桁までのトレーニング時間を短縮できることがわかった。 1つの一般ネットワークが異なる電極画像を用いて正確な予測を行い、形状と構成の相違を表現できることを実証した。 また,平均化に基づくトレーニングは,断面に基づくトレーニングよりも正確である。 サーマルパーコレーションの予測における機械学習手法の導入によるロバスト性の研究により,予測誤差は体積分数に基づく予測による誤差のほぼ半分であることが示された。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
  Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。 AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。 我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
  論文  参考訳（メタデータ） (2024-06-20T10:01:22Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• Towards Real Time Thermal Simulations for Design Optimization using Graph Neural Networks [0.0]
  本稿では,グラフニューラルネットワークを用いて3次元システムの熱的挙動をシミュレートする手法を提案する。 一段階予測のネットワーク結果の精度は顕著である。
  論文  参考訳（メタデータ） (2022-09-21T13:48:41Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Transformer Guided Geometry Model for Flow-Based Unsupervised Visual Odometry [38.20137500372927]
  対画像からの情報を扱う2つのカメラポーズ推定器からなる手法を提案する。 画像シーケンスでは、Transformerライクな構造を採用して、局所的な時間ウィンドウ上にジオメトリモデルを構築する。 対向画像間の関係を利用するために,f2fpe(flow-to-flow pose estimator)を提案する。
  論文  参考訳（メタデータ） (2020-12-08T19:39:26Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)
• Large-scale spatiotemporal photonic reservoir computer for image classification [0.8701566919381222]
  本稿では,手書き桁の分類を行うために,フィードフォワードとリカレントニューラルネットワークを実装するためのスケーラブルなフォトニックアーキテクチャを提案する。 実験では、既製の光学部品と電子部品を利用して、現在16,384ノードのネットワークサイズを実現している。
  論文  参考訳（メタデータ） (2020-04-06T10:22:31Z)
• Extracting dispersion curves from ambient noise correlations using deep learning [1.0237120900821557]
  本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。 受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。 我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
  論文  参考訳（メタデータ） (2020-02-05T23:41:12Z)

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。