Study on detecting main ingredients of silicone rubber based on terahertz spectrum
Notice bibliographique
Résumé
Abstract The authors investigated the ingredient detection technique of silicone rubber based on the Terahertz spectrum. For this purpose, 18 diverse high‐temperature vulcanised silicone rubber (HTVSR) formulations were customised, 8 of which are used as calibration set while the rest 10 as prediction set. Based on the Beer‐Lambert Law, the partial‐least‐square (PLS) regression model and the least‐squares support‐vector machines (LS‐SVM) regression model were used to yield the relationships between the absorption spectrums and the content percentages of polydimethylsiloxane (PDMS), alumina trihydrate (ATH), and silica in HTVSR. The results showed that for the formulations tested, the prediction accuracy of all three main ingredients by the PLS regression model could be improved by changing the spectrum range from 0.2–4 to 0.5–2 THz. If the data were pre‐processed by the Savitzky–Golay smoothing method or multiplicative scatter correction method, the prediction accuracy of PDMS could be further enhanced. However, this would lead to a slight decrease in the prediction accuracy of ATH. For the LS‐SVM regression model, the radial basis function (RBF) kernel and the linear kernel were studied. It was found that the prediction accuracy of both kernels was better than that of the PLS regression model. With the LS‐SVM regression model using the RBF kernel, the correlated coefficients of PDMS and ATH in the prediction set could be up to 0.9915 and 0.9742, respectively.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».