Accès ouvert déclaré 2024 preprint

Thermopore: Predicting Part Porosity Based on Thermal Images Using Deep Learning

Péter Pák, Francis Ogoke, Andrew T. Polonsky, Anthony P. Garland, Dan Bolintineanu, Dan R. Moser, Mary Arnhart, Jonathan D Madison, Thomas A. Ivanoff, John Mitchell, Bradley Howell Jared, Brad Salzbrenner, Michael J. Heiden, Amir Barati Farimani

2Citations signalées, ce qui n’est pas une note de qualité
3Institutions déclarées
1Pays d’affiliation déclarés

Rattachement africain : us. Niveau de preuve : code pays fourni par la source.

Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Thermopore: Predicting Part Porosity Based on Thermal Images Using Deep Learning
Date Crossref
01/01/2024
Éditeur
Elsevier BV
Type
posted-content

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Les institutions déclarées

Carnegie Mellon UniversitySandia National Laboratories CaliforniaSandia National Laboratories

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Radiative Heat Transfer StudiesThermography and Photoacoustic TechniquesHeat and Mass Transfer in Porous Media
Lire en accès ouvert Consulter la publication primaire Ouvrir le DOI

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.