Publication detail

Artificial neural networks in kinetic analysis of glass crystallization: The case of complex nucleation-growth mechanisms

Authors: Liland Kristian Hovde | Luciano Giorgio | Svoboda Roman

Year: 2024

Type of publication: článek v odborném periodiku

Name of source: Journal of Non-Crystalline Solids

Page from-to: 122802

Titles:

Language	Name	Abstract	Keywords
cze	Umělé neuronové sítě v kinetické analýze krystalizace skla: Případ komplexních mechanismů nukleace-růst	Vybrané umělé neuronové sítě byly školeny a testovány k určení kinetiky teoreticky simulovaných signálů pro dva překrývající se nezávislé procesy nukleace-růst. Zatímco hybridní konvoluční neuronová síť nefungovala dobře, vícevrstvá perceptronová síť (MLP) prokázala velký potenciál pro kinetickou analýzu složitých pevných reakcí a transformačních mechanismů. Především architektura MLP vykazovala výjimečnou robustnost vůči rozptylu kinetických dat a schopnost přesně se vypořádat s prakticky plně překrývajícími se kinetickými vrcholy. Při školení na plném spektru překryvů dvojprocesů poskytla architektura MLP během testovací fáze velmi přesné odhady kinetických parametrů, přestože pro některé z tréninkových dat byl použit omezený vzorek. Tento stupeň přesnosti byl pozorován v případě obou překrývajících se procesů, které byly přibližně stejně velké, a pro dominantní proces v případech, kdy byly dva procesy značně disproporční.	Umělé neuronové; sítě; kinetická analýza; krystalizace; skla; nukleace; růst
eng	Artificial neural networks in kinetic analysis of glass crystallization: The case of complex nucleation-growth mechanisms	The selected artificial neural networks were trained and tested to determine the kinetics of theoretically simulated signals for two overlapping independent nucleation-growth processes. Whereas the hybrid convolutional neural network did not perform well, the multilayer perceptron (MLP) showed great potential for the kinetic analysis of complex solid-state reactions and transformation mechanisms. In particular, the MLP architecture exhibited remarkable robustness with respect to the scatter in kinetic data as well as the ability to accurately deal with practically fully overlapping kinetic peaks. When trained on a full spectrum of double-process overlaps, the MLP architecture returned very precise estimates of the kinetic parameters during the testing phase despite the limited data sample used for some of the training. This level of accuracy was observed in the case of both overlapping processes being roughly similarly sized, and for the dominant process in the cases of the two processes being largely disproportionate in magnitude.	ANN;MLP;Theoretical kinetic analysis;Complex process;JMA model

Search

Login for students

Login for employees

Publication detail

Departments

Other Parts

Map

Services

Popular Links