Enhancing the detection capabilities of nano-avalanches via data-driven classification of acoustic emission signals
Notice bibliographique
Résumé
Acoustic emission (AE) is a powerful experimental method for studying discrete and impulsive events termed avalanches that occur in a wide variety of materials and physical phenomena. A particular challenge is the detection of small-scale avalanches, whose associated acoustic signals are at the noise level of the experimental setup. The conventional detection approach is based on setting a threshold significantly larger than this level, ignoring "false" events with low AE amplitudes that originate from noise. At the same time, this approach overlooks small-scale events that might be true and impedes the investigation of avalanches occurring at the nanoscale, constituting the natural response of many nanoparticles and nanostructured materials. In this work, we develop a data-driven method that allows the detection of small-scale AE events, which is based on two propositions. The first includes a modification of the experimental conditions by setting a lower threshold compared to the conventional threshold, such that an abundance of small-scale events with low amplitudes are considered. Second, instead of analyzing several conventional scalar features (e.g., amplitude, duration, energy), we consider the entire waveform of each AE event and obtain an informative representation using dynamic mode decomposition. We apply the developed method to AE signals measured during the compression of platinum nanoparticles and demonstrate a significant enhancement of the detection range toward small-scale events that are below the conventional threshold.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».