Application of ultrasound and neural networks in the determination of filler dispersion during polymer extrusion processes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle