Publikace detail

Exploring multi-scale convolutional neural network for modeling amorphous materials behavior: a comparative approach

Autoři: Pakosta Marek | Doležel Petr | Svoboda Roman

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: Logic Journal of the IGPL

Strana od-do: 12-2025

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Zkoumání víceškálové konvoluční neuronové sítě pro modelování chování amorfních materiálů: srovnávací přístup	Skelné přechody jsou klíčovým jevem u amorfních materiálů s potenciálem pro různé aplikace. Model Tool-Narayanaswamy-Moynihan je široce používaný empirický model, který popisuje chování relaxace entalpie u těchto materiálů. Určení vhodných hodnot jeho parametrů však může být obtížné. Aby se tento problém vyřešil, tato studie zkoumá využití hlubokého učení k popisu kinetiky relaxace entalpie a skelného přechodu. Konkrétně je navržen model víceúrovňové konvoluční neuronové sítě (MCNN), který překonává tradiční metody při extrakci kinetických informací z dat diferenciální skenovací kalorimetrie. Robustní architektura modelu MCNN zachycuje jak nízkofrekvenční, tak vysokofrekvenční složky signálu, což jej činí vysoce efektivním pro rozpoznávání složitých vzorců v termické analýze. Zjištění této studie mají významné důsledky pro využití amorfních materiálů v high-tech i klasických inženýrských aplikacích.	Tool-Narayanaswamy-Moynihan model; víceškálový neuronový model; teoretická kinetika; skelné přechody; hluboké učení
eng	Exploring multi-scale convolutional neural network for modeling amorphous materials behavior: a comparative approach	Glass transitions are a crucial phenomena in amorphous materials with potential for various applications. The Tool-Narayanaswamy-Moynihan 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 challenging. To address the issue, this research explores the use of deep learning to describe the kinetics of enthalpy relaxation and glass transition. More specifically, a multi-scale convolutional neural network (MCNN) model is proposed, which outperforms traditional methods in extracting kinetic information from differential scanning calorimetry data. The MCNN model's robust architecture captures both low-frequency and high-frequency signal components, making it highly effective for complex pattern recognition in thermal analysis. The study's findings have significant implications for the utilization of amorphous materials in high-tech and classical engineering applications.	Tool-Narayanaswamy-Moynihan model; multi-scale neural network model; theoretical kinetic; enthalpy relaxation dynamics; glass transition; differential scanning calorimetry data; deep learning

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte