A Machine Learning Based Approach for Statistical Analysis of Detonation Cells from Soot Foils

要約

この研究では、すすフォイル画像から爆発セルを正確にセグメンテーションおよび測定するための機械学習 (ML) に基づく新しいアルゴリズムを提示し、この分野で普及している手動および原始的なエッジ検出法の限界に対処します。
提案されたアルゴリズムは、細胞生物学セグメンテーション モデルの進歩を利用して、トレーニング手順やデータセットなしで細胞パターンを正確に抽出できるように設計されています。これは爆発研究における大きな課題です。
アルゴリズムのパフォーマンスは、実験的および数値的爆発研究を模倣する一連のテスト ケースを使用して検証されました。
結果は、複雑な場合でも誤差が 10% 以内にとどまり、一貫した精度を示しました。
このアルゴリズムは、セル面積やスパンなどの主要なセルメトリクスを効果的に捕捉し、均一から非常に不規則なセル構造を持つさまざまなスートフォイルサンプルにわたる傾向を明らかにしました。
このモデルは堅牢であることが証明されましたが、非常に複雑または不規則な細胞パターンのセグメント化と分析には課題が残っています。
この研究は、爆発波力学の理解を進めるためのアルゴリズムの幅広い適用性と可能性を強調しています。

要約(オリジナル)

This study presents a novel algorithm based on machine learning (ML) for the precise segmentation and measurement of detonation cells from soot foil images, addressing the limitations of manual and primitive edge detection methods prevalent in the field. Using advances in cellular biology segmentation models, the proposed algorithm is designed to accurately extract cellular patterns without a training procedure or dataset, which is a significant challenge in detonation research. The algorithm’s performance was validated using a series of test cases that mimic experimental and numerical detonation studies. The results demonstrated consistent accuracy, with errors remaining within 10%, even in complex cases. The algorithm effectively captured key cell metrics such as cell area and span, revealing trends across different soot foil samples with uniform to highly irregular cellular structures. Although the model proved robust, challenges remain in segmenting and analyzing highly complex or irregular cellular patterns. This work highlights the broad applicability and potential of the algorithm to advance the understanding of detonation wave dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google