Prédiction précise de la vitesse de lancement pour les athlètes lors de l'épreuve de sauts de ski acrobatique basée sur un apprentissage par transfert en profondeur

Rapports scientifiques volume 13, Numéro d'article : 4308 (2023) Citer cet article

473 accès

12 Altmétrique

Détails des métriques

Une correction de l'auteur à cet article a été publiée le 08 mai 2023

Cet article a été mis à jour

L'obtention automatique de la vitesse de lancement sont de puissantes garanties pour les athlètes de l'épreuve de sauts en ski acrobatique d'obtenir de bons résultats. Dans la plupart des études publiées décrivant des athlètes obtenant des scores élevés, la distance de glissement d'assistance dépend entièrement de l'entraîneur et même de la propre expérience de l'athlète, qui peut ne pas être optimale. L'objectif principal de cet article est d'utiliser un système d'acquisition et de développer un modèle de réseau de neurones artificiels (ANN) pour obtenir automatiquement la relation correspondante entre la distance de glissement assistée et la vitesse. L'influence du coefficient de frottement de la neige, de la vitesse du vent, de la direction du vent, de la pente, de la hauteur et du poids peut être simulée dans le moteur Unity3D. L'influence de la température, de l'humidité et de l'angle d'inclinaison doit être mesurée dans le monde réel par des testeurs professionnels, ce qui est ardu. Le réseau neuronal est d'abord formé par suffisamment de données de simulation pour obtenir la caractéristique codée. Ensuite, les informations apprises dans l'environnement de simulation sont transférées vers un autre réseau. Le second réseau utilise les données issues d'une vingtaine de testeurs professionnels. Par rapport au modèle sans apprentissage par transfert, les performances de la méthode proposée présentent une amélioration significative. L'erreur quadratique moyenne pour l'ensemble de test est de 0,692. On observe que la vitesse prédite par le modèle d'apprentissage par transfert profond (DTL) conçu est en bon accord avec les résultats des mesures expérimentales. Les résultats indiquent que la méthode d'apprentissage par transfert proposée est un modèle efficace à utiliser comme outil pour prédire la distance de glissement d'assistance et la vitesse de lancement pour les athlètes dans l'épreuve de sauts en ski acrobatique.

L'événement aérien du ski acrobatique est un sport qui attire l'attention des gens du monde entier. Le projet démontre principalement la technique et la flexibilité des athlètes, et est très cohérent avec les caractéristiques sportives et physiques des athlètes1. Par conséquent, l'épreuve aérienne du ski acrobatique a toujours été une percée importante pour que les athlètes remportent l'or aux Jeux olympiques d'hiver. La composition de l'action d'une épreuve de sauts en ski acrobatique est principalement divisée en quatre phases, à savoir la phase d'assistance au glissement, au décollage, la phase aérienne et la phase d'atterrissage, respectivement. Habituellement, ces quatre phases sont reliées les unes aux autres, se favorisent mutuellement et interagissent les unes avec les autres. L'un des facteurs clés déterminant le succès ou l'échec de l'action est le contrôle de la hauteur de montée, c'est-à-dire le contrôle de la vitesse de lancement en fin de phase de coulissement d'assistance. Le schéma et la vue latérale du site aérien sont illustrés à la Fig. 1 où les quatre phases et le point de vitesse de lancement crucial sont présentés en détail.

Le schéma et la vue latérale du site aérien.

Cependant, la vitesse de lancement est influencée par de nombreux facteurs. Dans les compétitions passées, la distance de glisse d'assistance de l'épreuve aérienne de ski acrobatique dépend entièrement de leurs entraîneurs et même de la propre expérience de l'athlète, ou l'état de détermination finale est déterminé après des tests de glisse répétés, qui peuvent ne pas être optimaux. De plus, la réalisation d'essais en extérieur prend du temps et est ardue2,3,4. La vitesse de glissement assistée est influencée par les conditions de neige, l'environnement et la pente de glissement. Les conditions de neige comprennent la température, la dureté et la texture de la neige5,6,7, qui affectent toutes directement le coefficient de frottement de la neige, qui à son tour affecte la vitesse de glissement. La limitation des tests de glisse répétés des athlètes peut être surmontée en utilisant un système de tribomètre ski-neige. Un système de tribomètre ski-neige est préféré en raison de sa mesure objective, rapide et fiable. Cependant, moins de travaux ont été menés sur le développement du système de tribomètre ski-neige. Les systèmes de mesure existants peuvent être classés en deux catégories : (1) tribomètres linéaires6,8 ; (2) tribomètres rotatifs9. Une limitation des systèmes existants est qu'ils ne peuvent pas répondre à la mesure du frottement le long du ski en raison de la taille des échantillons et de la construction des systèmes. De plus, plus important encore, outre le coefficient de frottement de la neige, la vitesse de l'athlète est également liée à la distance de glissement assistée, à la vitesse du vent, à la direction du vent, à la pente, à la hauteur, à la température du poids, à l'humidité et à l'angle d'inclinaison. Malheureusement, le modèle de mesure existant ne donne pas directement la relation entre la vitesse et ces facteurs pour guider les athlètes pour obtenir de bons résultats, ce qui est défavorable pour les athlètes.

Dans cet article, nous avons proposé un nouvel algorithme pour prédire la vitesse de l'athlète et fournir des conseils sur l'aide à la distance de glissement pour l'athlète. Le modèle prend en compte de manière exhaustive l'effet du coefficient et capture les relations complexes entre les variables en étudiant les caractéristiques importantes intégrées dans les données. Des données brutes ont été recueillies par le biais d'expériences de test pour changer le statu quo selon lequel la distance de glissement d'assistance dépend entièrement de l'entraîneur et même de la propre expérience de l'athlète.

Les ANN sont employés dans divers domaines tels que la classification, la reconnaissance de formes, la prédiction, etc.10,11,12. Récemment, l'applicabilité de l'ANN a été augmentée en fournissant une solution aux applications d'ingénierie telles que la surveillance des eaux souterraines, la prédiction de la résistance du béton, la prédiction du taux de décharge de la trémie et la prédiction du facteur de frottement de l'eau pure12,13,14,15. Naderpour et al.16 ont prédit la résistance à la compression du béton de granulats recyclés à l'aide de l'ANN. Les valeurs de régression du réseau sélectionné pour la formation, la validation et les tests sont respectivement de 0,903, 0,89 et 0,829. Un ANN est développé par Kumar et al.15 pour prédire le taux de décharge massique des trémies coniques, et le modèle ANN choisi était capable de prédire le taux de décharge des systèmes de particules à plusieurs composants à partir de trémies coniques à différents angles avec une erreur de ± 13 %. Cebi et al.12 ont développé un modèle ANN du facteur de frottement dans les tubes lisses et à micro-ailettes dans des conditions de chauffage, de refroidissement et isothermes. Les résultats indiquent qu'un tel système basé sur un réseau de neurones pourrait prédire efficacement les valeurs du facteur de friction des écoulements, quels que soient leurs types de tubes. La principale raison pour laquelle les RNA sont largement reconnus est leur efficacité à résoudre des problèmes d'ingénierie complexes17. ANN fait abstraction du réseau neuronal du cerveau humain du point de vue du traitement de l'information, établit un certain modèle simple et forme différents réseaux selon différentes connexions. Par conséquent, ANN révèle l'incroyable capacité de modélisation du cerveau humain. À notre connaissance, les applications de l'ANN pour prédire la distance de glissement d'assistance pour les athlètes dans l'épreuve de sauts en ski acrobatique sont très rares dans la littérature. À ce jour, il n'y a pas d'étude concernant la prédiction de la distance de glissement d'assistance. La recherche dans cet article comble les lacunes dans les domaines connexes et fournit une base pour la recherche de suivi.

Lors d'une conférence sur les systèmes de traitement de l'information neuronale, les chercheurs en donnent une définition représentative : l'apprentissage par transfert vise à transférer des connaissances entre des domaines, des tâches et des distributions similaires mais différents. Plus tard, avec le développement de l'apprentissage par transfert, Pan et Yang18 ont donné une définition formelle de l'apprentissage par transfert en 2010, qui le divise en apprentissage par transfert isomorphe et en apprentissage par transfert hétérogène. Dans cet article, le problème à résoudre est l'apprentissage par transfert isomorphe où l'espace des caractéristiques et l'espace des étiquettes de classe du domaine source et du domaine cible sont les mêmes mais la distribution marginale ou la distribution conditionnelle est différente. Bousmalis et al.19 ont proposé le réseau de séparation de domaine, dont l'architecture de réseau se compose d'un encodeur commun, d'un encodeur de domaine source, d'un encodeur de domaine cible, d'un décodeur commun et d'un classificateur, qui sépare les caractéristiques spécifiques au domaine tout en explorant les caractéristiques du domaine commun. Yan et al.20 ont proposé le réseau d'adaptation de domaine pondéré, qui a conçu une divergence moyenne maximale pondérée basée sur les informations a priori de la catégorie pour s'adapter au domaine source et au domaine cible. Li et al.21 ont proposé la méthode d'adaptation de domaine contradictoire conjointe, qui effectue à la fois une confrontation au niveau des fonctionnalités et au niveau des classes. Le premier est utilisé pour réduire la distribution marginale entre les domaines et le second est utilisé pour réduire la distribution conditionnelle. Le transfert est maintenant largement utilisé dans l'apprentissage de diverses connaissances, compétences et normes sociales22,23,24.

Les performances du modèle DTL conçu pour la prédiction de la vitesse de lancement sont testées sur le domaine skiable de Baiqingzhai dont le site de compétences aériennes en ski acrobatique répond aux normes de compétition internationales. La latitude et la longitude de la station de ski de Baiqingzhai sont respectivement de 41,58093 et 123,7144. L'expérience est menée en quatre jours avec des conditions météorologiques différentes pour explorer l'influence de la température et de l'humidité. Un total de 300 ensembles de données d'entrée-sortie sont générés sur la base des 15 meilleurs tests par testeur professionnel. Sur les 300 ensembles de données d'entrée-sortie, 240 ensembles de données sont utilisés pour la formation et les 60 ensembles de données restants sont utilisés pour la validation.

Pour former le réseau de neurones, le PC est équipé de 32,0 Go de RAM, d'un processeur Core i7-9700F 3,0 GHz et de NVIDIA GeForce RTX 2060. Le réseau d'encodeurs est d'abord formé par 100 000 ensembles de données de simulation avec 100 tailles de lots et 5 000 époques. Le temps total d'apprentissage du réseau de codeurs est d'environ 4 h. Après le processus de formation, les paramètres des couches cachées sont gelés. La dernière couche cachée du réseau d'encodeurs et des trois autres paramètres dans le monde réel est l'entrée du réseau de prédiction. L'étiquette de données est la vitesse de lancement mesurée par l'équipement. Le réseau de prédiction est formé par 240 ensembles de données du monde réel avec 48 tailles de lots et 500 époques en environ 20 min. La courbe de perte pendant le processus d'apprentissage est illustrée à la Fig. 2. Apparemment, le modèle DTL converge rapidement et la fonction de perte de l'ensemble d'apprentissage et de l'ensemble de validation est réduite de manière synchrone. Pour démontrer l'efficacité de l'apprentissage par transfert, une expérience dans laquelle le réseau de prédiction est directement entraîné par des données du monde réel est menée. Le modèle sans apprentissage par transfert converge très lentement. La fonction de perte sur l'ensemble de validation augmente dans l'étape ultérieure, et le phénomène de surajustement apparaît rapidement.

La courbe de perte pendant le processus de formation.

Les performances du réseau formé sont comparées uniquement aux données simulées et uniquement aux données du monde réel, et au réseau avec apprentissage par transfert. L'erreur quadratique moyenne (MSE) est respectivement de 4,280, 1,946 et 0,692. Le résultat révèle que le modèle DTL proposé surpasse les autres modèles par un écart important. Les performances du réseau avec uniquement des données simulées sont pires en raison du changement de domaine entre la simulation et les environnements du monde réel. Le modèle DTL proposé intègre les connaissances dans l'environnement simulé pour former des informations codées et les transférer dans l'environnement réel. Le MSE du meilleur réseau de neurones est de 0,692. Il s'agit donc de conclure que le réseau de neurones sélectionné est capable de fournir une bonne corrélation entre les paramètres d'environnement et la vitesse de lancement prédite. Le MSE du réseau avec uniquement des données simulées est pire en raison du changement de domaine entre la simulation et l'environnement réel.

Puisqu'une méthode pour déterminer la meilleure structure de réseau de neurones et la méthode de formation optimale n'a pas été développée, dans le présent travail, les ensembles de données disponibles sont formés, validés et testés par d'autres réseaux présentés dans4,7 jusqu'à ce que le réseau obtienne le MSE minimum. Selon le nombre de nœuds d'entrée, de couches cachées et de nœuds cachés, les deux réseaux sont respectivement nommés Modèle 9-2-8 et Modèle 11-2-15. La formation est automatiquement terminée après 5000 époques. Le tableau 1 répertorie les différentes structures ANN testées lors de l'ajustement du modèle, à la lumière des erreurs d'entraînement, de validation et de test avec modification de la structure des neurones en couche cachée. L'étude du tableau 1 révèle que le réseau de neurones proposé surpasse largement les autres structures. Il est donc concluant que le réseau de neurones sélectionné est capable de fournir une bonne corrélation entre la cible et la vitesse de lancement prévue pour les athlètes dans l'épreuve de sauts en ski acrobatique.

Dans ce travail, un système d'acquisition du coefficient de frottement de la neige, de la vitesse du vent, de la direction du vent et de l'angle d'inclinaison est développé et un nouvel algorithme DTL est proposé pour prédire la vitesse de lancement des athlètes dans l'épreuve de sauts de ski acrobatique afin de changer le statu quo selon lequel la distance de glisse assistée dépend entièrement de l'entraîneur et même de la propre expérience de l'athlète. Le modèle prend en compte de manière exhaustive divers facteurs qui affectent la vitesse de lancement des athlètes. Certains de ces facteurs peuvent être simulés par le moteur Unity3D, générant de grandes quantités de données. Pour d'autres parties, 20 athlètes mènent des expériences dans des environnements réels et obtiennent une petite quantité de données. Notre algorithme DTL proposé gère efficacement le déséquilibre quantitatif et la dérive de domaine entre les deux ensembles de données. Grâce à nos expériences, nous avons découvert que l'algorithme DTL peut apprendre des informations utiles pour le domaine de la simulation et les transférer dans le domaine du monde réel, ce qui permet d'obtenir les meilleures performances. Le MSE du réseau de neurones est de 0,692, ce qui surpasse considérablement les autres modèles sans apprentissage par transfert et répond aux besoins des athlètes. Le résultat montre que la méthode proposée peut aider les entraîneurs et les athlètes à choisir une distance de glissement d'assistance appropriée en fonction des paramètres environnementaux du moment.

Dans les travaux futurs, nous développerons des systèmes de réalité virtuelle basés sur des modèles de réseaux de neurones existants. Dans ce système, les athlètes peuvent contrôler la vitesse sur différentes surfaces de neige en ajustant l'angle et l'attitude des tuiles pour améliorer l'adaptabilité à différents environnements. Le système peut briser les restrictions de la saison sur le ski acrobatique.

Le tribomètre de rotation est illustré à la Fig. 3a qui consiste à mesurer le sous-système de roue de rotation, le sous-système de démarrage de puissance et le sous-système de support de chute. Plus précisément, le sous-système de roue de rotation de mesure se compose d'une roue de rotation, d'un arbre de support, d'un roulement en céramique, d'un bloc de roulement, d'un rail de guidage, d'un curseur de rail et d'un capteur de vitesse de rotation. Le sous-système de démarrage électrique se compose d'un moteur pas à pas, d'un curseur électrique et d'une partie de transmission séparable. Le sous-système de support en chute se compose d'un cadre, d'un curseur de chute et d'un cadre de support. Dans le sous-système de démarrage électrique, le moteur pas à pas transmet la puissance à la roue de rotation dans le sous-système de roue de rotation de mesure par l'intermédiaire de la partie de transmission séparable, de sorte que la roue de rotation atteigne une certaine vitesse. À ce moment, le curseur électrique du sous-système de démarrage électrique entraîne le moteur pas à pas hors de la transmission. Le curseur électrique dans le sous-système de chute de support prend en charge le sous-système de roue de rotation de mesure pour tomber sur la surface de neige mesurée de sorte que la surface extérieure de la roue de rotation soit en contact avec la surface de neige mesurée, et la vitesse de rotation actuelle de la roue de rotation est enregistrée comme W1 par le capteur de vitesse de rotation. Lorsque la roue de rotation est en contact avec la surface de neige mesurée pendant T secondes, la vitesse de rotation actuelle de la roue de rotation est enregistrée comme W2, et le coefficient de frottement (μ) peut être calculé par la formule suivante :

où f, N, d, M et α sont respectivement le frottement, la pression, le diamètre de la roue de rotation, le moment d'inertie de la roue de rotation et la décélération de la roue de rotation.

Structure générale de l'équipement de mesure.

Selon le processus de mesure du tribomètre rotatif, les exigences de conception du système de contrôle sont analysées, et le moteur pas à pas et le moteur à courant continu sont contrôlés par le micro-ordinateur à puce unique (SCM). Sur la base de l'analyse du principe du contrôle SCM, le contrôle asynchrone du moteur pas à pas est réalisé et la théorie du contrôle PID incrémental numérique est utilisée pour réaliser le contrôle synchrone des deux moteurs à courant continu. Dans cette recherche, le moteur pas à pas à boucle fermée 57 est entraîné par le pilote HBS657, le moteur pas à pas 42 est entraîné par le pilote DM320 et le pilote AQMH2407ND est utilisé pour le motoréducteur JGA25. Plus précisément, le flux de contrôle des quatre moteurs est le suivant : appuyez sur l'interrupteur de démarrage pour réinitialiser le tribomètre, puis démarrez le moteur pas à pas en boucle fermée 57 et accélérez, le moteur pas à pas en boucle fermée 57 accélère et se stabilise à 600 tr/min, pendant 10 s, et démarrez le moteur pas à pas 42 pour faire bouger le curseur, le moteur pas à pas 42 atteint la position limite, et les deux moteurs du support de chute tombent de manière synchrone jusqu'à la position limite inférieure. L'organigramme du système de contrôle est illustré à la Fig. 4. De plus, afin d'obtenir une prédiction plus précise de la distance de glissement d'assistance, la vitesse du vent, la direction du vent et l'angle d'inclinaison sont également mesurés dans cette recherche. Étant donné que le capteur de vitesse angulaire nécessite une grande précision, un codeur photoélectrique haute résolution (Omron E6H-CWZ3E) est utilisé. Le capteur d'angle d'inclinaison MCA420T-60-02 et le module de capteur de température et d'humidité de la série SHT3X sont sélectionnés, et le capteur de vitesse et de direction du vent est respectivement le modèle RS-FSJT et le modèle RS-FXJT. La photo de l'ensemble du robot de mesure déployé dans la station de ski est représentée sur la Fig. 3b.

L'organigramme du système de contrôle.

Vingt testeurs professionnels (âgés de 20 à 30 ans, moyenne = 23,75, SD = 2,99) ont participé à cette étude, qui est approuvée par le comité d'éthique de The Northeastern University. Chaque participant effectue 20 tests et les 15 meilleurs tests par testeur sont sélectionnés pour une analyse plus approfondie. Les coefficients à la fin de la phase de coulissement d'assistance sont mesurés avant chaque essai. La distance et la vitesse de glissement d'assistance sont également enregistrées.

L'ensemble de données contient deux parties : suffisamment de données de simulation générées par le moteur Unity3D et moins de données dans le monde réel collectées auprès d'athlètes professionnels recrutés. Le premier ensemble de données comprend le coefficient de frottement de la neige, la vitesse du vent, la direction du vent, la pente, la distance de glisse assistée, la taille et le poids de l'athlète qui peuvent être simulés dans le moteur Unity3D. Nous avons mis en place un environnement virtuel de l'événement aérien de ski acrobatique qui est illustré à la Fig. 5. Un total de 100 000 séries d'expériences ont été simulées. Ces paramètres suivent une distribution gaussienne et la moyenne et l'écart type de la distribution des paramètres sont présentés dans le tableau 2. Après cinq heures de calculs, toutes les données sont facilement complétées. En plus des paramètres contenus dans le premier jeu de données, le deuxième jeu de données comprend également la température, l'humidité et l'angle d'inclinaison qui sont difficiles à simuler. Les données doivent être mesurées dans le monde réel par des testeurs professionnels, ce qui prend du temps. Il faut donc quatre jours pour collecter un total de 300 ensembles de données. La vitesse et la direction du vent sont converties en vitesse horizontale vx et vitesse verticale vy. De plus, les données doivent être normalisées par l'équation suivante pour équilibrer la diversité de la distribution des paramètres.

où \({y}^{l(i,j)}\) est la valeur brute des données, \(\hat{y}^{l(i,j)}\) est la valeur normalisée des données, \({\mu }_{B}=\mathrm{E}\left[{y}^{l(i,j)}\right]\), \({\sigma }_{B}^{2}=\mathrm{Var}\left[{y}^{l (i,j)}\right]\), \(\epsilon \) est une petite constante ajoutée pour la stabilité numérique.

L'environnement virtuel de l'événement aérien de ski acrobatique dans le moteur Unity3D.

Comme mentionné dans la section précédente, les données comprennent une grande quantité de données de simulation ainsi qu'une petite quantité de données du monde réel. L'algorithme doit traiter la différence quantitative et le changement de domaine des deux ensembles de données. Une nouvelle méthode d'apprentissage par transfert profond supervisé est proposée. La structure du réseau de neurones est illustrée à la Fig. 6. La partie rouge appelée réseau de codeurs est d'abord entraînée par des données de simulation avec étiquette. Les entrées du réseau de neurones sont les sept paramètres de l'environnement et la sortie est la prédiction de la vitesse de lancement. La dernière couche de la couche cachée est délibérément conçue pour être étroite. Dans cette couche, les informations les plus utiles sont réservées et les couches précédentes sont considérées comme le codeur de l'entrée. La partie bleue appelée réseau de prédiction est ensuite entraînée par moins de données du monde réel. Les entrées sont la dernière couche cachée du réseau d'encodeurs et trois autres paramètres. Notez que les couches du réseau de codeurs incluent des informations apprises dans les données de simulation, elles sont donc gelées dans le deuxième processus de formation.

La structure du réseau de neurones proposé.

L'erreur quadratique moyenne (MSE), qui est la différence quadratique moyenne entre les sorties et les cibles, est sélectionnée comme fonction de perte. De plus, une régularisation L2 est ajoutée à la fonction de perte du réseau de prédiction afin d'éviter le surajustement. λ est le coefficient de pénalité de l'item de régularisation. La fonction de perte totale du réseau de prédiction est présentée dans l'équation suivante :

Les modèles ANN sont entraînés à l'aide de l'algorithme d'optimisation Adam. La fonction d'activation est ReLU. Le flux de travail du modèle DTL est présenté dans l'algorithme 1. Enfin, les données de simulation et vingt participants sont répartis au hasard en ensembles d'entraînement et de test et 80 % des données pour l'entraînement du modèle et 20 % pour la validation.

Les ensembles de données générés pendant et/ou analysés pendant l'étude en cours ne sont pas accessibles au public en raison de l'accord de confidentialité, mais sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Une correction à cet article a été publiée : https://doi.org/10.1038/s41598-023-34472-6

Nicotra, M., Moncalero, M. & Colonna, M. Effet des propriétés visco-élastiques des polymères thermoplastiques sur les comportements de flexion et de rebond des chaussures de ski pour le ski alpin. Proc. Inst. Méca. Ing. Partie P J. Sports Eng. Technol. 229, 199–210. https://doi.org/10.1177/1754337114564481 (2015).

Article Google Scholar

Leino, MAH, Spring, E. & Suominen, H. Méthodes de détermination simultanée de la résistance à l'air d'un skieur et du coefficient de frottement de ses skis sur la neige. Porter 86, 101-104 (1983).

Article Google Scholar

Hasler, M. et al. Un nouveau tribomètre ski-neige et sa précision. Tribol. Lett. https://doi.org/10.1007/s11249-016-0719-2 (2016).

Article Google Scholar

Song, W., Pan, Y., Qin, J., Wang, H. & Dong, C. Système de mesure de l'environnement de neige basé sur le modèle BP pour prédire la vitesse de lancement du ski acrobatique du sportif. en 2020 IEEE 3rd International Conference of Safe Production and Informatization (IICSPI). 522–525 (IEEE).

Nachbauer, W., Schrocksnadel, P. & Lackinger, B. Effets de la neige et des conditions atmosphériques sur la friction des skis. Ski Trauma Safety Tenth 1266, 178–185. https://doi.org/10.1520/stp37927s (1996).

Article Google Scholar

Montagnat, M. & Schulson, EM Sur le frottement et la fissuration de surface lors du glissement de la glace sur la glace. J. Glaciol. 49, 391–396 (2003).

Annonces d'article Google Scholar

Qin, J. et al. La prédiction quantitative de la distance de glissement auxiliaire du ski acrobatique basée sur le réseau de neurones MLP. en 2019 IEEE 2nd International Conference on Information Communication and Signal Processing (ICICSP). 469–472 (IEEE).

Jones, SJ, Kitigawa, H., Izumiyama, K. & Shimoda, H. Frottement de la glace fondante. Ann. Glacial. 19, 7-12 (1994).

Annonces d'article Google Scholar

Baeurle, L., Szabo, D., Fauve, M., Rhyner, H. & Spencer, ND Frottement glissant du polyéthylène sur glace : Mesures au tribomètre. Tribol. Lett. 24, 77–84. https://doi.org/10.1007/s11249-006-9147-z (2006).

Article CAS Google Scholar

LeCun, Y., Bengio, Y. & Hinton, G. Apprentissage en profondeur. Nature 521, 436–444 (2015).

Article ADS CAS PubMed Google Scholar

ArumugaMariaDevi, T. & Darwin, P. Mesures de performance sur des images hyperspectrales dans un réseau neuronal convolutif contextuel flou pour analyseur de qualité alimentaire. Int. J. Incertitude Fuzzness Knowl.-Based Syst. 30, 337–356. https://doi.org/10.1142/S0218488522400104 (2022).

Article Google Scholar

Cebi, A., Akdogan, E., Celen, A. & Dalkilic, AS Prédiction du facteur de friction de l'eau pure s'écoulant à l'intérieur de tubes verticaux lisses et microfins à l'aide de réseaux de neurones artificiels. Chaleur Masse Transf. 53, 673–685. https://doi.org/10.1007/s00231-016-1850-1 (2017).

Article ADS CAS Google Scholar

Duan, ZH, Kou, SC & Poon, CS Prédiction de la résistance à la compression du béton de granulats recyclés à l'aide de réseaux de neurones artificiels. Constr. Construire. Mater. 40, 1200-1206. https://doi.org/10.1016/j.conbuildmat.2012.04.063 (2013).

Article Google Scholar

Ling, TC Prédiction de la densité et de la résistance à la compression des blocs de béton caoutchouté. Constr. Construire. Mater. 25, 4303–4306 (2011).

Article Google Scholar

Kumar, R., Patel, CM, Jana, AK & Gopireddy, SR Prédiction du taux de décharge de la trémie à l'aide de la méthode des éléments discrets combinés et du réseau de neurones artificiels. Adv. Technologie Poudre. 29, 2822–2834. https://doi.org/10.1016/j.apt.2018.08.002 (2018).

Article Google Scholar

Naderpour, H., Rafiean, AH & Fakharian, P. Prédiction de la résistance à la compression du béton respectueux de l'environnement à l'aide de réseaux de neurones artificiels. J. Construire. Ing. 16, 213–219. https://doi.org/10.1016/j.jobe.2018.01.007 (2018).

Article Google Scholar

Getahun, MA, Shitote, SM & Gariy, ZCA Approche de modélisation basée sur un réseau de neurones artificiels pour la prédiction de la résistance du béton incorporant des déchets agricoles et de construction. Constr. Construire. Mater. 190, 517–525. https://doi.org/10.1016/j.conbuildmat.2018.09.097 (2018).

Article Google Scholar

Pan, SJ & Yang, Q. Une enquête sur l'apprentissage par transfert. IEEE Trans. Savoir. Data Eng. 22, 1345–1359 (2009).

Article Google Scholar

Bousmalis, K., Trigeorgis, G., Silberman, N., Krishnan, D. & Erhan, D. Réseaux de séparation de domaine. Adv. Information neuronale. Processus. Syst. 29, 343-351 (2016).

Google Scholar

Yan, H. et al. Attention au biais de poids de classe : écart moyen maximal pondéré pour l'adaptation de domaine non supervisée. dans Actes de la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes. 2272–2281.

Li, S. et al. Adaptation de domaine contradictoire conjointe. dans Actes de la 27e Conférence internationale de l'ACM sur le multimédia. 729–737.

Yu, X., Yang, X., Tan, Q., Shan, C. & Lv, Z. Une méthode de détection d'anomalies basée sur l'informatique de pointe dans la durabilité industrielle de l'IoT. Appl. Calcul doux. 128, 109486 (2022).

Article Google Scholar

Hu, N., Tian, Z., Du, X., Guizani, N. & Zhu, Z. Deep-Green : un paradigme informatique dispersé à haut rendement énergétique pour l'IdO industriel vert. IEEE Trans. Commune verte. Réseau 5, 750–764 (2021).

Article Google Scholar

Xu, X., Liu, W. & Yu, L. Prédiction de trajectoire pour les agents de trafic hétérogènes à l'aide d'un modèle basé sur les données de correction des connaissances. Inf. Sci. 608, 375–391 (2022).

Article Google Scholar

Télécharger les références

Les auteurs ont reçu le soutien du National Key R&D Program of China (2021YFF0306400). Les auteurs apprécient l'organisme de financement pour leurs soutiens financiers. Les auteurs tiennent également à remercier la station de ski Baiqingzhai à Shenyang en Chine pour son soutien total.

École de génie mécanique et d'automatisation, Northeastern University, Shenyang, Chine

Daqi Jiang, Hong Wang et Jichi Chen

Centre de recherche clé pour les sciences sociales, Université du sport de Shenyang, Shenyang, Chine

Dong de Chuansheng

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

DJ : analyse formelle, méthodologie, logiciel, collecte de données, validation, visualisation, conceptualisation, rédaction—ébauche originale, rédaction—révision et édition. HW : enquête, conceptualisation, ressources, administration et supervision du projet. JC : conservation des données. CD : visualisation et acquisition de financement.

Correspondance à Chuansheng Dong.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

La version originale en ligne de cet article a été révisée : la version originale de cet article contenait des erreurs dans les sections Contributions des auteurs et Remerciements. Des informations complètes concernant les corrections apportées peuvent être trouvées dans l'avis de correction de cet article.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Jiang, D., Wang, H., Chen, J. et al. Prédiction précise de la vitesse de lancement pour les athlètes dans l'épreuve de sauts de ski acrobatique basée sur un apprentissage par transfert en profondeur. Sci Rep 13, 4308 (2023). https://doi.org/10.1038/s41598-023-31355-8

Télécharger la citation

Reçu : 23 janvier 2023

Accepté : 10 mars 2023

Publié: 15 mars 2023

DOI : https://doi.org/10.1038/s41598-023-31355-8

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.