End‐To‐End Deep Learning Temperature Prediction Algorithms of a Phase Change Materials From Experimental Photos
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 | 0,001 |
| 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 découle