MétaCan
Menu
Retour à la cohorte
Enregistrement W1964218945 · doi:10.1002/pen.21838

An alternative approach to estimating parameters in creep models of high‐density polyethylene

2010· article· en· W1964218945 sur OpenAlexafffund
Joy J. Cheng, Maria Anna Polak, Alexander Penlidis

Notice bibliographique

RevuePolymer Engineering and Science · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueAsphalt Pavement Performance Evaluation
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésCreepViscoelasticityMaterials sciencePolyethyleneStatistical modelExperimental dataNonlinear systemRange (aeronautics)Curve fittingMathematical modelLinear modelMathematicsComposite materialStatisticsPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Polyethylene (PE) is increasingly used in structural applications due to its light weight and rust‐resistant nature. With growing demand for the use of PE as a structural material, there is a need for mathematical models that describe the mechanical behavior of this material. Curve fitting using a linear time‐dependent model is a common approach for modeling creep of PE at the macrostructural level. However, besides the point estimates of the model parameters and the (visual) fit of the model to experimental data, little else is learnt from the curve‐fitting approach. This work presents a rigorous statistical approach for modeling creep compliance of PE. Four high‐density PE resins used over a wide range of applications are studied. Linear viscoelastic modeling using the multi‐Kelvin element theory is examined in two forms: model linear in parameters and model nonlinear in parameters. With the application of valid statistical techniques, complex relationships between model parameters, largely unstudied before, are observed, such as evidence of a high degree of correlation among material parameters of the creep model. POLYM. ENG. SCI., 2011. © 2010 Society of Plastics Engineers.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,107
Score d'incertitude au seuil0,463

Scores Codex et Gemma par catégorie

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

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 Opus0,017
Tête enseignante GPT0,244
Écart entre enseignants0,227 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations16
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePolymer Engineering and ScienceMême sujetAsphalt Pavement Performance EvaluationTravaux en français237 207