End‐To‐End Deep Learning Temperature Prediction Algorithms of a Phase Change Materials From Experimental Photos
Notice bibliographique
Résumé
ABSTRACT A Phase‐change material (PCM) experiences irregular shape and nonlinear temperature changes at different locations during the melting process; these parameters provide valuable information on the characteristics of the PCM. Traditional explicit image processing, statistics, and mathematical techniques may be used to estimate the temperature of the PCM photos, but these methods have limitations such as high inaccuracy, no generalization, and complexity. Here, temperatures at different locations inside the PCM have been calculated by using the shape of melting PCM with the aid of deep learning. An experimental setup was built to melt the PCM under constant wall temperature and a conventional digital camera took temporal photos of the phase change. Four end‐to‐end networks have been developed to use the captured photos as input and report temperatures of the PCM as output. Initially, the networks were built using different convolutional layers and weights for feature extraction, and then the fully connected layers extracted the temperature profiles of the PCM. Comparison of the networks shows that MobileNets based Weights IV – Deep Neural Network (WIV‐ DNN) detects the temperature at different locations of the PCM successfully with an average error of less than 0.9% during the whole melting process in 0.03 s. This temperature measurement method is cost‐effective, independent of thermographic cameras, accurate, fast response, and can be updated for other related applications in industries and scientific studies. All programs and datasets are available on GitHub.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».