論文の概要: Flame Stability Analysis of Flame Spray Pyrolysis by Artificial
Intelligence
- arxiv url: http://arxiv.org/abs/2011.08673v1
- Date: Thu, 22 Oct 2020 22:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 05:57:32.066987
- Title: Flame Stability Analysis of Flame Spray Pyrolysis by Artificial
Intelligence
- Title（参考訳）: 人工知能による火炎噴霧熱分解の火炎安定性解析
- Authors: Jessica Pan, Joseph A. Libera, Noah H. Paulson and Marius Stan
- Abstract要約: 火炎噴霧熱分解(英: Flame Spray pyrolysis、FSP)は、原子化前駆体溶液の燃焼を通じてナノ粒子を合成するプロセスである。
現行の限界は、安定な火炎とナノ粒子の信頼できる製造方法の理解を中心に展開されている。
本研究では, 火炎点の明るさを解析することにより, FSP火炎安定性を定量化する。
この分析は、教師なしと教師なしの両方の機械学習アプローチのデータをラベル付けするために使用される。
- 参考スコア（独自算出の注目度）: 0.18352113484137628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flame spray pyrolysis (FSP) is a process used to synthesize nanoparticles
through the combustion of an atomized precursor solution; this process has
applications in catalysts, battery materials, and pigments. Current limitations
revolve around understanding how to consistently achieve a stable flame and the
reliable production of nanoparticles. Machine learning and artificial
intelligence algorithms that detect unstable flame conditions in real time may
be a means of streamlining the synthesis process and improving FSP efficiency.
In this study, the FSP flame stability is first quantified by analyzing the
brightness of the flame's anchor point. This analysis is then used to label
data for both unsupervised and supervised machine learning approaches. The
unsupervised learning approach allows for autonomous labelling and
classification of new data by representing data in a reduced dimensional space
and identifying combinations of features that most effectively cluster it. The
supervised learning approach, on the other hand, requires human labeling of
training and test data, but is able to classify multiple objects of interest
(such as the burner and pilot flames) within the video feed. The accuracy of
each of these techniques is compared against the evaluations of human experts.
Both the unsupervised and supervised approaches can track and classify FSP
flame conditions in real time to alert users of unstable flame conditions. This
research has the potential to autonomously track and manage flame spray
pyrolysis as well as other flame technologies by monitoring and classifying the
flame stability.
- Abstract（参考訳）: 火炎噴霧熱分解(fsp)は、微粒化前駆体溶液の燃焼を通じてナノ粒子を合成するプロセスであり、触媒、電池材料、顔料に応用できる。
現行の限界は、安定な火炎とナノ粒子の信頼できる製造方法の理解を中心に展開されている。
不安定な炎条件をリアルタイムで検出する機械学習と人工知能アルゴリズムは、合成プロセスの合理化とFSP効率の向上の手段である可能性がある。
本研究では, 火炎点の明るさを解析することにより, FSP火炎安定性を定量化する。
この分析は、教師なしと教師なしの両方の機械学習アプローチのデータにラベル付けされる。
教師なし学習アプローチは、縮小次元空間内のデータを表現し、最も効果的にクラスタリングする特徴の組み合わせを特定することによって、新しいデータの自律的なラベル付けと分類を可能にする。
一方、教師付き学習アプローチでは、トレーニングとテストデータの人間のラベル付けが必要であるが、ビデオフィード内で複数の興味の対象(バーナーやパイロットフレイムなど)を分類することができる。
これらの手法の精度は、人間の専門家による評価と比較される。
unsupervisedとsupervisedの両方のアプローチは、fspの炎の状態をリアルタイムで追跡し分類し、不安定な炎の状態のユーザに警告することができる。
本研究は,火炎安定度をモニタリングし分類することにより,火炎噴霧の熱分解を自律的に追跡し,管理する可能性を秘めている。
関連論文リスト
- Combustion Condition Identification using a Decision Tree based Machine Learning Algorithm Applied to a Model Can Combustor with High Shear Swirl Injector [0.0]
燃焼はガスタービンエンジンの主要な工程であり、性能を高めるために効率的な空気-燃料混合が必要である。
高シャースワール噴射器は、燃焼効率と排出を決定づける重要な要因である燃料の微粒化と混合を改善するために一般的に用いられる。
本研究では, メタンを燃料とする単一缶燃焼器の対向回転式高速旋回噴射装置から, 音圧および高速火炎画像を分析し, 燃焼条件を分類するために, 決定木に基づく機械学習アルゴリズムを用いた。
論文 参考訳（メタデータ） (2024-09-18T13:09:18Z) - FlamePINN-1D: Physics-informed neural networks to solve forward and inverse problems of 1D laminar flames [9.316036663091765]
The FlamePINN-1D framework is proposed to solve the forward and inverse problem of 1D laminar flames based on Physics-informed neural network。
従来の手法と比較して、FlamePINN-1Dは微分可能でメッシュフリーであり、離散化エラーがなく、逆問題に対して実装が容易である。
論文 参考訳（メタデータ） (2024-06-07T07:57:34Z) - Dynamical Mode Recognition of Coupled Flame Oscillators by Supervised and Unsupervised Learning Approaches [7.088178570214894]
燃焼不安定は燃焼研究において最も困難な問題の一つである。
多くの燃焼システムの安全かつ信頼性の高い運転を保証するためには,燃焼不安定性の同定と理解が不可欠である。
論文 参考訳（メタデータ） (2024-04-27T06:44:39Z) - FlameFinder: Illuminating Obscured Fire through Smoke with Attentive Deep Metric Learning [11.218765140036254]
FlameFinderは、山火事の監視中に消防士のドローンの熱画像を使って、煙によって隠されたとしても、炎を正確に検知するように設計されている。
従来のRGBカメラはそのような状況では苦戦するが、熱カメラは煙を吸収する炎の特徴を捉えることができる。
この問題を解決するために、FlameFinderは2枚の熱-RGB画像を用いてトレーニングを行っている。煙のないサンプルから潜熱火炎の特徴を学習することで、モデルは相対的な熱勾配に偏りが小さくなる。
論文 参考訳（メタデータ） (2024-04-09T23:24:19Z) - A Discrepancy Aware Framework for Robust Anomaly Detection [51.710249807397695]
本稿では,DAF(Disdisrepancy Aware Framework)を提案する。
本手法は,デコーダの欠陥同定に外見に依存しないキューを利用して,その合成外観への依存を緩和する。
単純な合成戦略の下では,既存の手法を大きなマージンで上回り,また,最先端のローカライゼーション性能も達成している。
論文 参考訳（メタデータ） (2023-10-11T15:21:40Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳（メタデータ） (2022-03-25T19:57:19Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Explainable Machine Learning using Real, Synthetic and Augmented Fire
Tests to Predict Fire Resistance and Spalling of RC Columns [2.4366811507669124]
開発されたアプローチは、3つの新しいMLアルゴリズム、すなわちランダムフォレスト(RF)、極勾配強化木(ExGBT)、深層学習(DL)のアンサンブルから構成される。
このアンサンブルは、5000以上のRCコラムを60秒以内で分析することができ、研究者や実践者にとって魅力的な解決策となる。
論文 参考訳（メタデータ） (2021-08-22T22:44:28Z)
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。