CHIMACTIV, un site pour se former à l'analyse chimique / Valérie Camel in L'ACTUALITE CHIMIQUE, N° 448 (02/2020)

[article]  inL'ACTUALITE CHIMIQUE > N° 448 (02/2020) . - p. 31-36 Titre : CHIMACTIV, un site pour se former à l'analyse chimique Type de document : texte imprimé Auteurs : Valérie Camel, Auteur ; Marie-Noëlle Maillard, Auteur ; Mathieu Cladière, Auteur ; Gérôme Fitoussi, Auteur ; Jonathan Piard, Auteur ; Cécile Dumas, Auteur ; Emilie Brun, Auteur ; Isabelle Billault, Auteur ; Cécile Sicard-Roselli, Auteur Année de publication : 2020 Article en page(s) : p. 31-36 Note générale : Bibliogr. Langues : Français (fre) Catégories : Autoapprentissage Chimie analytique -- Etude et enseignement -- Ressources internet Tags : Autoapprentissage  'Chimie  analytique'  'Dispositif  numérique'  'Enseignement  différencié'  Expérimentation  Hybridation  Innovation Index. décimale : 543.08 Chimie analytique - Méthodes particulières Résumé : Le site CHIMACTIV offre des ressources pédagogiques numériques libres d’accès dans le domaine de l’analyse chimique. Il répond à une préoccupation pédagogique : optimiser le temps d’apprentissage en présentiel (notamment en séances expérimentales) et enrichir les interactions apprenants-enseignants. Organisé en cinq thèmes et trente fiches (en version bilingue français/anglais), CHIMACTIV offre une grande diversité de ressources numériques (contenus théoriques, schémas animés, courtes vidéos, exercices, quiz...), adaptables au support de lecture (ordinateur, tablette, smartphone). Selon leur intention pédagogique, les enseignants peuvent orienter les élèves vers les ressources à consulter avant, pendant ou après des séances de cours, TD ou TP, afin de réviser des prérequis, acquérir de nouvelles connaissances ou interpréter des résultats. Ces ressources sont également utiles pour des stagiaires en laboratoire de recherche ainsi que pour des professionnels évoluant dans un secteur lié à l’analyse chimique. Note de contenu : - Problématique initiale - Un site unique et innovant - Le contenu - L'utilisation du site en pratique - Des utilisateurs séduits et satisfaits - Vers une communauté CHIMACTIV... - Fig. 1 : Illustration du champ couvert par le site - Fig. 2 : Une grande diversité de ressources pédagogiques - Fig. 3 : La navigation au sein d'une fiche CHIMACTIV - Fig. 4 : Les fiches du thème B.A.BA et les niveaux d'étude potentiellement concernés - Fig. 5 : Exemples de scénario pédagogique : A. Intégration du site dans des eneignements classiques et B. utilisation par des étudiants en stage - Fig. 6 : Profil des 228 répondants au questionnaire en ligne et utilité perçue du site par ces répondants Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=33434 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
21502	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Deep learning-based automated characterization of crosscut tests for coatings via image segmentation / Gaoyuan Zhang in JOURNAL OF COATINGS TECHNOLOGY AND RESEARCH, Vol. 19, N° 2 (03/2022)  

[article]  inJOURNAL OF COATINGS TECHNOLOGY AND RESEARCH > Vol. 19, N° 2 (03/2022) . - p. 671-683 Titre : Deep learning-based automated characterization of crosscut tests for coatings via image segmentation Type de document : texte imprimé Auteurs : Gaoyuan Zhang, Auteur ; Christian Schmitz, Auteur ; Matthias Fimmers, Auteur ; Christoph Quix, Auteur ; Sayed Hoseini, Auteur Année de publication : 2022 Article en page(s) : p. 671-683 Note générale : Bibliogr. Langues : Américain (ame) Catégories : Adhésion Analyse d'image L'analyse d'image est la reconnaissance des éléments contenus dans l'image. Il ne faut pas confondre analyse (décomposition en éléments) et traitement (action sur les composantes) de l'image. Analyse de dommages (matériaux) Autoapprentissage Automatisation Caractérisation Enrobage (technologie) Essais de quadrillage Imagerie (technique) Logiciels Rayures Résistance à l'abrasion Revêtements -- Détérioration Surfaces (Physique) Index. décimale : 667.9 Revêtements et enduits Résumé : A manual scratch test to measure the scratch resistance of coatings applied to a certain substrate is usually used to test the adhesion of a coating. Despite its significant amount of subjectivity, the crosscut test is widely considered to be the most practical measuring method for adhesion strength with a good reliability. Intelligent software tools help to improve and optimize systems combining chemistry, engineering based on high-throughput formulation screening (HTFS) technologies and machine learning algorithms to open up novel solutions in material sciences. Nevertheless, automated testing often misses the link to quality control by the human eye that is sensitive in spotting and evaluating defects as it is the case in the crosscut test. In this paper, we present a method for the automated and objective characterization of coatings to drive and support Chemistry 4.0 solutions via semantic image segmentation using deep convolutional networks. The algorithm evaluated the adhesion strength based on the images of the crosscuts recognizing the delaminated area and the results were compared with the traditional classification rated by the human expert. Note de contenu : - BACKGROUND : Neural networks - Convolutional neural networks and image segmentation tasks - SOLUTION APPROACH AND EXPERIMENTAL SETUP : Sample preparation - Automated crosscutting - Data preprocessing - Data augmentation - Architectures Loss functions - EVALUATION : Training - Results - Table 1 : Summary of the applied data augmentation methods - Table 2 : Confusion matrices of the various models being applied for the segmentation into delaminated and intact area - Table 3 : Comparison between human and algorithmic rating for samples selected across all six levels defined in the norm - Table 4 : Mean Dice coefficient in % calculated over all 31 test images with standard deviation, inference time for the test set and the number of parameters for each model paired with each of the different losses DOI : https://doi.org/10.1007/s11998-021-00557-y En ligne : https://link.springer.com/content/pdf/10.1007/s11998-021-00557-y.pdf Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=37296 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
23408	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 2 / 2)