Automated model selection and data fitting in fractional rheology
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2025-02-22
Department
Major/Subject
Teknillinen fysiikka
Mcode
SCI3028
Degree programme
Teknistieteellinen kandidaattiohjelma
Language
en
Pages
28
Series
Abstract
Fractional rheology is a growing field in soft matter physics, which incorporates fractional calculus to describe viscoelasticity in materials. However, in the field of fractional rheology, there are numerous models for describing the behaviour of materials. Moreover, their computational implementation is a latent challenge. Thus, computational tools need to be developed in order to expedite viscoelasticity analyses. This thesis contributes to developing said computational tools as an open-source program and test its performance with experimental data. The program automatically selects a viscoelastic model for a given dataset with machine learning, random forest classifiers, and then fits the predicted model to the inputted data. The classifiers were trained and tested with artificial data computed from assigning random values to the parameters of the models constitutive equations. The model accuracies were between 65 and 80 percent when testing with the artificial data. The whole application was then tested with real data and the predictions were mostly correct and the fittings were accurate. The developed program allows automatically analyzing rheological experiments.Fraktionaalinen reologia on kasvava ala pehmeän aineen fysiikassa, joka hyödyntää osittaislaskentaa viskoelastisten materiaalien kuvaamiseen. Kuitenkin fraktionaalises sa reologiassa on useita malleja, joilla aineiden käyttäytymistä voidaan mallintaan. Näiden mallien laskennallinen käyttö on haastavaa, koska mallit ovat laskennalli sesti raskaita ja niitä on paljon. Viskoelastisen analyysin vauhdittamiseksi täytyy kehittää laskennalliset työkalut, joilla prosessi pystytään automatisoimaan. Tässä työssä kehitetään nämä kyseiset työkalut avoimen lähdekoodin ohjelmana ja testataan niiden suorityskykyä kokeellisella mittausdatalla. Sovelluksella on kaksi tehtävää: tunnistaa aineen käyttäytymistä kuvaava malli koneoppimisella ja sovittaa tämä malli annettuun mittausdataan. Mallin tunnistamiseen käytettävät koneoppimismalli, sa tunnaismetsäluokitin, koulutetaan generoidulla datalla, jotta koulutusdataa saataisiin suuri määrä mallin tarkkuuden parantamiseksi. Lopullinen testaaminen toteutetaan oikealla mittausdatalla. Koulutetut mallit tunnistavat generoidusta datasta mallin oikein tarkkuudella 65 %- 80 % riippuen koneoppimismallista. Oikealla datalla testattuna koko sovellus tekee pääasiassa oikeat ennusteet mallista ja sovitukset ovat tarkkoja. Kehitetty ohjelma mahdollistaa reologisten mittausten automaattisen analyysin.Description
Supervisor
Alava, MikkoThesis advisor
Miranda Valdez, IsaacKeywords
rheology, viscoelasticity, machine learning, fractional calculus