Publikace detail

Multi-Scale Neural Model for Tool-Narayanaswamy-Moynihan Model Parameter Extraction

Autoři: Pakosta Marek | Doležel Petr | Svoboda Roman | Baruque Zanon Bruno

Rok: 2023

Druh publikace: článek ve sborníku

Název zdroje: 18th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2023) : proceedings, vol. 1

Název nakladatele: Springer Nature Switzerland AG

Místo vydání: Cham

Strana od-do: 24-33

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Multiškálový neuronový model pro odhad parametrů TNM modelu	Skelné přechody jsou důležitým jevem v amorfních materiálech s potenciálem pro různé aplikace. Model Tool-Narayanaswamy-Moynihan (TNM) je široce používaný empirický model, který popisuje entalpické relaxační chování těchto materiálů. Určení vhodných hodnot jeho parametrů však může být náročné. Pro řešení tohoto problému je navržen multiškálový konvoluční neuronový model, který dokáže přesně předpovědět parametry TNM modelu přímo ze souboru křivek diferenční skenovací kalorimetrie, experimentálně změřených pomocí vzorku uvažovaného amorfního materiálu. Výsledná střední absolutní chyba modelu nad testovacím souborem je 0,0252, což ukazuje na vysokou úroveň přesnosti. Celkově lze říci, že navržený neuronový model má potenciál stát se cenným nástrojem pro praktické použití TNM modelu ve sklářském průmyslu a příbuzných oborech.	TNM model; neuronový model; hluboké učení
eng	Multi-Scale Neural Model for Tool-Narayanaswamy-Moynihan Model Parameter Extraction	Glass transitions are an important phenomenon in amor phous materials with potential for various applications. The Tool-Narayanaswamy-Moynihan (TNM) model is a widely used empirical model that describes the enthalpy relaxation behavior of these materials. However, determining the appropriate values for its parameters can be challeng ing. To address this issue, a multi-scale convolutional neural model is pro posed that can accurately predict the TNM parameters directly from the set of differential scanning calorimetry curves, experimentally measured using the sample of the considered amorphous material. The resulting Mean Absolute Error of the model over the test set is found to be 0.0252, indicating a high level of accuracy. Overall, the proposed neural model has the potential to become a valuable tool for practical application of the TNM model in the glass industry and related fields.	Tool-Narayanaswamy-Moynihan (TNM) model; multi-scale neural model; theoretical kinetic; enthalpy relaxation dynamics; glass transition; differential scanning calorimetry (DSC) data; deep learning

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte