인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Electrochemical impedance spectroscopy (EIS) is entering an exciting stage of development as machine learning–driven (ML) spectral analysis begins to complement traditional equivalent-circuit fitting and address some of its practical limitations. The appeal of a simple, fully data-driven, unsupervised workflow is clear: by operating directly on EIS spectra, it bypasses the additional modelling layers required for equivalent-circuit fitting, handcrafted feature extraction, or supervised training. Here we demonstrate that normalization and dimensionality reduction play a critical, yet previously overlooked, role in shaping the outcomes of unsupervised workflows. Using welded stainless steel as a demonstrator, we systematically evaluate combinations of normalization strategies and dimensionality-reduction pipelines. By applying internal clustering metrics and a Borda ranking, we identify an effective workflow configuration, an appropriate cluster number, and a cluster structure consistent with mechanistic expectations for the studied dataset. Mechanistically anchored linear projections further rank relative passivity across the stainless-steel passivity range via k-level clustering, while bootstrap resampling confirms high cluster stability despite the modest sample size.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
