Application of ultrasound and neural networks in the determination of filler dispersion during polymer extrusion processes
Notice bibliographique
Résumé
Abstract Mineral filler dispersion is important information for the production of mineral‐charged polymers. In order to achieve timely control of product quality, a technique capable of providing real‐time information on filler dispersion is highly desirable. In this work, ultrasound, temperature, and pressure sensors as well as an amperemeter of the extruder motor drive were used to monitor the extrusion of mineral‐filled polymers under various experimental conditions in terms of filler type, filler concentration, feeding rate, screw rotation speed, and barrel temperature. Then, neural network relationships were established among the filler dispersion index and three categories of variables, namely, control variables of the extruder, extruder‐dependent measured variables, and extruder‐independent measured variables (based on ultrasonic measurement). Of the three categories of variables, the process control variables and extruder‐independent ultrasonically measured variables performed best in inferring the dispersion index through a neural network model. While the neural network model based on control variables could help determine the optimal experimental conditions to achieve a dispersion index, the extruder‐independent network model based on ultrasonic measurement is suitable for in‐line measurement of the quality of dispersion. This study has demonstrated the feasibility of using ultrasound and neural networks for in‐line monitoring of dispersion during extrusion processes of mineral‐charged polymers. POLYM. ENG. SCI., 45:764–772, 2005. © 2005 Society of Plastics Engineers
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».