Deep Convolutional Neural Network for Plume Rise Measurements in Industrial Environments
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
Determining the height of plume clouds is crucial for various applications, including global climate models. Smokestack plume rise refers to the altitude at which the plume cloud travels downwind until its momentum dissipates and the temperatures of the plume cloud and its surroundings become equal. While most air-quality models employ different parameterizations to forecast plume rise, they have not been effective in accurately estimating it. This paper introduces a novel framework that utilizes Deep Convolutional Neural Networks (DCNNs) to monitor smokestack plume clouds and make real-time, long-term measurements of plume rise. The framework comprises three stages. In the first stage, the plume cloud is identified using an enhanced Mask R-CNN, known as the Deep Plume Rise Network (DPRNet). Next, image processing analysis and least squares theory are applied to determine the plume cloud’s boundaries and fit an asymptotic model to its centerlines. The z-coordinate of the critical point of this model represents the plume rise. Finally, a geometric transformation phase converts image measurements into real-world values. This study’s findings indicate that the DPRNet outperforms conventional smoke border detection and recognition networks. In quantitative terms, the proposed approach yielded a 22% enhancement in the F1 score, compared to its closest competitor, DeepLabv3.
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