Publikace detail

A novel approach for Tool-Narayanaswamy-Moynihan model parameter extraction using multi-scale neural model

Autoři: Pakosta Marek | Doležel Petr | Svoboda Roman

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Materials Chemistry and Physics

Strana od-do: 1-18

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Nový přístup k extrakci parametrů Tool-Narayanaswamy-Moynihan modelu pomocí víceškálového neuronového modelu	Přesné určení parametrů modelu Tool-Narayanaswamy-Moynihan (TNM), který popisuje viskoelastické chování sklotvárných materiálů, je klíčové pro předpověď odezvy materiálu při různých teplotních průbězích. Tradiční metody se do značné míry spoléhají na techniky přizpůsobení křivek; ty však často selhávají kvůli šumu v datech. Tradiční metody jsou navíc výpočetně náročné a náchylné k nepřesnostem, zejména při práci se složitými soubory dat nebo v případě, že počáteční odhady parametrů nejsou zdaleka optimální; vyžadují také kvalifikovaný personál. V této studii navrhujeme použití víceškálové konvoluční neuronové sítě (MCNN) jako přístupu strojového učení k řešení těchto problémů. Model MCNN je vycvičen na rozsáhlé simulované sadě dat zahrnující širokou škálu parametrů TNM, což mu umožňuje naučit se složité vzorce a závislosti v datech, které jsou běžnými metodami obtížně zachytitelné. Naše výsledky ukazují, že MCNN výrazně zlepšuje přesnost odhadů parametrů β a x v celém spektru testovaných podmínek a dosahuje výkonu, který je nejen srovnatelný s tradičními metodami přizpůsobení křivky, ale často je i překonává. Kromě toho MCNN vykazuje vyšší odolnost, pokud jsou počáteční odhady parametrů neoptimální nebo pokud soubor dat vykazuje značný šum. Ačkoli přesnost předpovědi aktivační energie Δh∗ a preexponenciálního faktoru log(A) byla poněkud nižší, metoda stále poskytuje cenné odhady, které lze zpřesnit pomocí doplňkových technik. Tato práce poukazuje na potenciál přístupů strojového učení, jako je MCNN, revolučně změnit proces extrakce parametrů ve složitých fyzikálních modelech, snížit závislost na ručním přizpůsobování křivek a poskytnout automatizovanější a škálovatelné řešení. Analyzujeme také primární zdroje chyb předpovědí ve výstupech MCNN a nabízíme náhled na budoucí zlepšení, včetně zdokonalení architektury modelu a integrace dalších fyzikálních omezení. Naše zjištění naznačují, že tento přístup lze rozšířit i na další oblasti, kde se používají podobné modely,	Diferenciální skenovací kalorimetrie; Entalpická relaxační dynamika; Skelný přechod; Multi-scale neural model; Tool-Narayanaswamy-Moynihan model
eng	A novel approach for Tool-Narayanaswamy-Moynihan model parameter extraction using multi-scale neural model	The accurate determination of parameters in the Tool-Narayanaswamy-Moynihan (TNM) model, which describes the viscoelastic behavior of glass-forming materials, is crucial for predicting material responses through various thermal histories. Traditional methods rely heavily on curve-fitting techniques; however, these often fail due to noise in the data. Furthermore, traditional methods are computationally intensive and prone to inaccuracies, particularly when dealing with complex datasets or when the initial parameter guesses are far from optimal; also, they require a skilled personnel. In this study, we propose the application of a multi-scale convolutional neural network (MCNN) as a machine learning approach to address these challenges. The MCNN model is trained on a comprehensive simulated dataset encompassing a wide range of TNM parameters, allowing it to learn intricate patterns and dependencies within the data that are difficult to capture with conventional methods. Our results show that the MCNN significantly improves the accuracy of the parameter estimations for β and x across the entire spectrum of tested conditions, achieving performance that is not only comparable to, but often surpasses, traditional curve-fitting methods. Furthermore, the MCNN demonstrates superior robustness when initial parameter estimates are suboptimal or when the dataset exhibits significant noise. Although the prediction accuracy for the activation energy Δh∗ and the pre-exponential factor log(A) was somewhat lower, the method still provides valuable estimates that can be refined with supplementary techniques. This work highlights the potential of machine learning approaches like MCNN to revolutionize the parameter extraction process in complex physical models, reducing the reliance on manual curve-fitting and providing a more automated, scalable solution. We also analyze the primary sources of prediction errors in the MCNN outputs and offer insights into future improvements, includin	Differential scanning calorimetry; Enthalpy relaxation dynamics; Glass transition; Multi-scale neural model; Tool-Narayanaswamy-Moynihan model

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte