論文の概要: Fluid Viscosity Prediction Leveraging Computer Vision and Robot
Interaction
- arxiv url: http://arxiv.org/abs/2308.02715v2
- Date: Sun, 3 Dec 2023 00:28:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 22:44:45.858718
- Title: Fluid Viscosity Prediction Leveraging Computer Vision and Robot
Interaction
- Title(参考訳): コンピュータビジョンとロボットインタラクションを活用した流体粘性予測
- Authors: Jong Hoon Park, Gauri Pramod Dalwankar, Alison Bartsch, Abraham
George, Amir Barati Farimani
- Abstract要約: 本研究は,映像データから得られた流体振動を解析することにより,流体粘性予測の可能性を探るものである。
パイプラインは、自制的に事前訓練された3D畳み込みオートエンコーダを使用して、振動流体のセマンティックセグメンテーションマスクから特徴を抽出し、学習する。
事前訓練されたオートエンコーダによって生成された潜在表現を分類するために使用すると、システムは合計4140のテストデータポイントに対して97.1%の精度を達成する。
- 参考スコア(独自算出の注目度): 9.312155153982982
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurately determining fluid viscosity is crucial for various industrial and
scientific applications. Traditional methods of viscosity measurement, though
reliable, often require manual intervention and cannot easily adapt to
real-time monitoring. With advancements in machine learning and computer
vision, this work explores the feasibility of predicting fluid viscosity by
analyzing fluid oscillations captured in video data. The pipeline employs a 3D
convolutional autoencoder pretrained in a self-supervised manner to extract and
learn features from semantic segmentation masks of oscillating fluids. Then,
the latent representations of the input data, produced from the pretrained
autoencoder, is processed with a distinct inference head to infer either the
fluid category (classification) or the fluid viscosity (regression) in a
time-resolved manner. When the latent representations generated by the
pretrained autoencoder are used for classification, the system achieves a 97.1%
accuracy across a total of 4,140 test datapoints. Similarly, for regression
tasks, employing an additional fully-connected network as a regression head
allows the pipeline to achieve a mean absolute error of 0.258 over 4,416 test
datapoints. This study represents an innovative contribution to both fluid
characterization and the evolving landscape of Artificial Intelligence,
demonstrating the potential of deep learning in achieving near real-time
viscosity estimation and addressing practical challenges in fluid dynamics
through the analysis of video data capturing oscillating fluid dynamics.
- Abstract(参考訳): 流体粘度を正確に決定することは、様々な工業的・科学的応用に不可欠である。
従来の粘度測定法は信頼できるが、手動の介入を必要とすることが多く、リアルタイムの監視に容易に適応できない。
機械学習とコンピュータビジョンの進歩により、ビデオデータで捉えた流体振動を解析して流体粘性を予測する可能性を探る。
パイプラインは、自制的に事前訓練された3D畳み込みオートエンコーダを使用して、振動流体のセマンティックセグメンテーションマスクから特徴を抽出し、学習する。
そして、予め訓練されたオートエンコーダから生成された入力データの潜時表現を別個の推論ヘッドで処理し、流体カテゴリ(分類)または流体粘性(回帰)を時間分解的に推定する。
事前訓練されたオートエンコーダによって生成された潜在表現を分類するために使用すると、システムは合計4140のテストデータポイントに対して97.1%の精度を達成する。
同様に、回帰タスクでは、追加の完全接続ネットワークを回帰ヘッドとして使用することで、パイプラインは4,416のテストデータポイントに対して平均0.258の絶対エラーを達成できる。
本研究は,流体のキャラクタリゼーションと進化する人工知能のランドスケープの両方に革新的な貢献を示し,近時間粘性推定を実現するためのディープラーニングの可能性を示し,振動流体力学を捉えた映像データの解析を通じて流体力学の実際的な課題を解決する。
関連論文リスト
- The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
注水液の音響・視覚観測と物理の関連性について検討した。
本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
論文 参考訳(メタデータ) (2024-11-18T01:19:37Z) - Coupling Machine Learning Local Predictions with a Computational Fluid Dynamics Solver to Accelerate Transient Buoyant Plume Simulations [0.0]
本研究では,CFDと機械学習を組み合わせた多用途でスケーラブルなハイブリッド手法を提案する。
目的は、局所的な特徴を活用して、比較可能なシナリオにおける圧力場の時間的変化を予測することである。
圧力-速度結合過程を加速するために初期値として圧力推定を用いた。
論文 参考訳(メタデータ) (2024-09-11T10:38:30Z) - Inpainting Computational Fluid Dynamics with Deep Learning [8.397730500554047]
有効な流体データ補完法は、流体力学実験において必要なセンサー数を削減する。
流体データ完備化問題の誤った性質は、理論解を得るのを違法に困難にしている。
ベクトル量子化法を用いて、完全および不完全流体データ空間を離散値下次元表現にマッピングする。
論文 参考訳(メタデータ) (2024-02-27T03:44:55Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳(メタデータ) (2022-02-23T13:38:31Z) - Teaching the Incompressible Navier-Stokes Equations to Fast Neural
Surrogate Models in 3D [4.981834139548193]
本稿では,最近提案された2Dの課題に対処する深層学習フレームワークの大幅な拡張について述べる。
2Dから3Dへ移行し、メモリと計算の複雑さの観点から3Dグリッドの高要求に対処する効率的なアーキテクチャを提案する。
提案手法は,現行の3次元NN流体モデルよりも精度,速度,一般化能力が向上したことを示す。
論文 参考訳(メタデータ) (2020-12-22T09:21:40Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Learning Incompressible Fluid Dynamics from Scratch -- Towards Fast,
Differentiable Fluid Models that Generalize [7.707887663337803]
最近のディープラーニングベースのアプローチは、膨大なスピードアップを約束するが、新しい流体ドメインには一般化しない。
本稿では,新しい流体領域に一般化する物理制約付きトレーニング手法を提案する。
トレーニングされたモデルの速度と一般化能力を示すインタラクティブなリアルタイムデモを提示する。
論文 参考訳(メタデータ) (2020-06-15T20:59:28Z)
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。