Extraction of physical properties of solids and liquids through deep learning from PVS and LPVS experiment

摘要

鐘?式黏彈頻譜儀(PVS)和鐘?式黏彈流體頻譜儀(LPVS)分別可用來量測固體和液體的時間相依或頻率相依材料性質，如楊氏模數、剪力模數以及黏度。為了更精確地從實驗所得的原始資料中反算獲得材料性質，我們採用人工智慧技術中的深度神經網路(DNN)加上利用有限元素模擬及實驗產生足夠的資料集以利神經網路之訓練。我們成?地經由訓練完畢之神經網路做預測，而獲得合理且具收斂性之結果。但是在預測誤差方面仍有可進步之空間，可藉由調整深度神經網路架構及增加訓練所需之資料集來增加網路預測的準確性。本研究展示深度神經網路面對反算問題之可靠性，當古典理論解及其他反算方法失效時，深度神經網路成為一項強大的工具。本論文中，PMMA的黏彈材料性質是PVS反算問題待預測之目標，根據目前的深度神經網路所得預測誤差在楊氏模數為正負5GPa、普松比為正負0 1、正切消散模數為正負0 01。而LPVS反算問題待預測的目標則是含二氧化鋯奈米顆粒之丁酮混合溶液中的平均顆粒粒徑，根據目前的深度神經網路所得預測誤差在正負5奈米。

獎項日期	2020
原文	English
監督員	Yun-Che Wang (Supervisor)