Modeling of Triphenyl Phosphate Surfactant Enhanced Drying of Polystyrene/p-Xylene Coatings Using Artificial Neural Network
Notice bibliographique
Résumé
The drying process of polymeric coatings, particularly in the presence of surfactants, poses a complex challenge due to its intricate dynamics involving simultaneous heat and mass transfer. This study addresses the inherent complexity by employing Artificial Neural Networks (ANNs) to model the surfactant-enhanced drying of poly(styrene)-p-xylene coatings. A substantial dataset of 16,258 experimentally obtained samples forms the basis for training the ANN model, showcasing the suitability of this approach when ample training data is available. The chosen single-layer feed-forward network with backpropagation adeptly captures the non-linear relationships within the drying data, providing a predictive tool with exceptional accuracy. Our results demonstrate that the developed ANN model achieves a precision level exceeding 99% in predicting coating weight loss for specified input values of time, surfactant amount, and initial coating thickness. The model’s robust generalization capability eliminates the need for additional experiments, offering reliable predictions for both familiar and novel conditions. Comparative analysis reveals the superiority of the ANN over the regression tree, emphasizing its efficacy in handling the intricate dynamics of polymeric coating drying processes. In conclusion, this study contributes a valuable tool for optimizing polymeric coating processes, reducing production defects, and enhancing overall manufacturing quality and cost-effectiveness.
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 | 0,000 | 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 | 0,001 | 0,000 |
| 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 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 ».