Classifying formulations of crosslinked polyethylene pipe by applying machine‐learning concepts to infrared spectra
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 Crosslinked polyethylene (PEX‐a) pipes are emerging as promising replacements for traditional metal or concrete pipes used for water, gas, and sewage transport. Understanding the relationship between pipe formulation and performance is critical to their proper design and implementation. We have developed a methodology using principal component analysis (PCA) and the machine learning techniques of k ‐means clustering and support vector machines (SVM) to compare and classify different PEX‐a pipe formulations based on characteristic infrared (IR) spectroscopy absorbance peaks. The application of PCA revealed that a large percentage (89%) of the total variance could be explained by the first three principal components (PC1‐PC3), with distinct clustering of the data for each formulation. By examining the contribution of the individual IR bands to the PCs, we determined that PC1 could be attributed to different peroxide crosslinkers, whereas PC2 and PC3 could be attributed to differences in the additives. Using the PCA results as input to k ‐means clustering and SVM resulted in very high accuracy of classifying the different pipe formulations. Our approach highlights the advantages of using PCA and machine learning techniques to characterize different formulations of PEX‐a pipes, which is important to achieve a detailed understanding of the pipe formulation and manufacturing process. © 2019 Wiley Periodicals, Inc. J. Polym. Sci., Part B: Polym. Phys. 2019 , 57 , 1255–1262
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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