Novel method to automatize flash point detection in small volumes of liquid by computer vision using thermal images
Notice bibliographique
Résumé
• Novel methodology for flash point detection of 15 to 300 μL of liquid. • Closed-cup flash point apparatus combined with thermal imaging camera. • Use of computer vision for flash point detection. • Flash point detection at 95 % accuracy. A novel methodology to automate flash point detection of small solvent volumes has been successfully demonstrated and optimized. Flash point temperatures were measured using a closed-cup rapid flash point tester which was paired with a thermal imaging camera. The thermal imaging camara analyses the apparent temperature of the flame before, during and after the opening of the chamber. Two flash point standards and n-eicosane were used to validate the apparatus. Sample volume ranged between 15 and 300 μL which is of interest for the analysis of expensive or harmful liquids. This approach could eventually be extended to measuring flash points in gel polymer electrolytes, for which flammability testing is of significant interest for battery R&D. In this work, 462 flashpoints were collected to feed the machine learning algorithms. Convolutional neural network, support vector machine and random forest algorithms were used to determine the presence/absence of a flame. Flash points were predicted with an accuracy of 95 % and a precision of ±2 °C. Precision was found to be limited by the flash point detector rather than the analysis by computer vision. Other factors such as humidity (22 % to 55 %), atmospheric pressure (between 99.6 to 102.0 kPa) and volume of solvent were found to have little to no influence on flash point detection. The flash point temperatures tested in this study are limited to a range between 50 °C and 176 °C. Regression algorithms were employed to estimate the flash point temperature based on a single measurement presenting an improvement as accurate flash point detection traditionally requires several measurements.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».