MétaCan
Menu
Retour à la cohorte
Enregistrement W1842004970 · doi:10.1038/srep21210

Observation of the Kibble–Zurek Mechanism in Microscopic Acoustic Crackling Noises

2016· article· en· W1842004970 sur OpenAlexafffund

Notice bibliographique

RevueScientific Reports · 2016
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueTheoretical and Computational Physics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesArmy Research LaboratoryNatural Sciences and Engineering Research Council of CanadaUniversity of Toronto
Mots-clésHyperelastic materialScalingNonlinear systemAcoustic emissionMechanism (biology)Deformation (meteorology)Scaling lawDeformation mechanism

Résumé

récupéré en direct d'OpenAlex

Characterizing the fast evolution of microstructural defects is key to understanding "crackling" phenomena during the deformation of solid materials. For example, it has been proposed using atomistic simulations of crack propagation in elastic materials that the formation of a nonlinear hyperelastic or plastic zone around moving crack tips controls crack velocity. To date, progress in understanding the physics of this critical zone has been limited due to the lack of data describing the complex physical processes that operate near microscopic crack tips. We show, by analyzing many acoustic emission events during rock deformation experiments, that the signature of this nonlinear zone maps directly to crackling noises. In particular, we characterize a weakening zone that forms near the moving crack tips using functional networks, and we determine the scaling law between the formation of damages (defects) and the traversal rate across the critical point of transition. Moreover, we show that the correlation length near the transition remains effectively frozen. This is the main underlying hypothesis behind the Kibble-Zurek mechanism (KZM) and the obtained power-law scaling verifies the main prediction of KZM.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,223
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetTheoretical and Computational PhysicsTravaux en français237 207