文献

J-GLOBAL ID：202002263568810512   整理番号：20A0201305

JAR試験において捕捉された画像への畳込みニューラルネットワークの適用によるポリ塩化アルミニウムの最適化【JST・京大機械翻訳】

Dosage optimization of polyaluminum chloride by the application of convolutional neural network to the floc images captured in jar tests

著者 (6件)： Yamamura Hiroshi (Department of Integrated Science and Engineering for Sustainable Society, Faculty of Science and Engineering, Chuo University, 1-13-28 Kasuga, Bunkyo-ku, Tokyo 112-8551, Japan) ,  Putri Eryanti Utami (Department of Integrated Science and Engineering for Sustainable Society, Faculty of Science and Engineering, Chuo University, 1-13-28 Kasuga, Bunkyo-ku, Tokyo 112-8551, Japan) ,  Kawakami Takashi (Department of Information Engineering, Hokkaido University of Science, Maeda 4-1, Sapporo 006-8585, Japan) ,  Suzuki Akihiro (Department of Information Engineering, Hokkaido University of Science, Maeda 4-1, Sapporo 006-8585, Japan) ,  Ariesyady Herto Dwi (Faculty of Civil and Environmental Engineering, Institut Teknologi Bandung, Jl. Ganesa 10, Bandung 40132, Indonesia) ,  Ishii Takaaki (Department of Integrated Science and Engineering for Sustainable Society, Faculty of Science and Engineering, Chuo University, 1-13-28 Kasuga, Bunkyo-ku, Tokyo 112-8551, Japan)
資料名： Separation and Purification Technology  (Separation and Purification Technology)
巻： 237  ページ： Null  発行年： 2020年 
JST資料番号： T0428B  ISSN： 1383-5866  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： フロックの凝集の最適化は,pH,混濁度,およびアルカリ度を含む様々な因子によって影響されるので,困難なままである。ジャーテストは,凝固条件を最適化する信頼できる方法である。しかし,それは時間がかかり,経験のある技術者を必要とする。畳込みニューラルネットワーク(CNN)は,画像分類モデルを構築するために学習過程を通して特定の画像特性を抽出するために使用することができる。本研究では,ジャーテスト性能を予測するためにCNNを適用した。カオリンと市販フミン酸で調整した人工水を最初に使用した。フロック画像をジャーテストの間にビデオカメラを用いて記録して,上清の混濁度を予測するためのモデルを,記録されたフロック画像と訓練データセットとして混濁度のレベルを入力することによって構築した。学習曲線は,すべてのモデルが学習過程の間に100%の精度を示し,CNNがフロック画像の特性の抽出とそれらの沈降性の決定に関して適切に働くことを示した。次に,試験データをモデルに入力することにより,過剰適合レベルを調べた。すべてのモデルの最大予測精度は96%を超えた。フロック画像のモデル学習の初期100秒は99.6%の最大精度を達成した。すなわち,急速混合中に捕捉された画像はモデルの信頼性を保証するのに十分であった。天然水試料へのモデルの適用性も異なる月に得られた試料を用いて調べた。天然水に対する精度は人工水に対するそれよりも低かったが,変動する天然水を用いた場合でも90%の精度が達成され,CNNの沈降性を支配するフロックの特性を抽出し,直ちに凝固状態を自動的に予測することができた。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 適応性 ,  ビデオカメラ ,  混濁度 ,  画像特性 ,  凝固 ,  天然水 ,  信頼性 ,  カオリン ,  モデリング ,  学習曲線 ,  水試料 ,  フミン酸 ,  フロック ,  沈降 ,  *最適化

著者キーワード (5件)： 凝固モデリング ,  深層学習 ,  JARテスト ,  迅速混合 ,  濁度

分類 (1件)： 用水の化学的処理  (SC02040E)

タイトルに関連する用語 (5件)： 試験 ,  捕捉 ,  畳込みニューラルネットワーク ,  ポリ塩化アルミニウム ,  最適化