Multi-objective evolutionary optimization of polynomial neural networks for fatigue life modelling and prediction of unidirectional carbon-fibre-reinforced plastics composites
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this article, evolutionary algorithms (EAs) are employed for multi-objective Pareto optimum design of group method data handling (GMDH)-type neural networks that have been used for fatigue life modelling and prediction of unidirectional (UD) carbon-fibre-reinforced plastics (CFRP) composites using input—output experimental data. The input parameters used for such modelling are stress ratio, cyclic strain energy, fibre orientation angle, maximum stress, and failure stress level in one cycle. In this way, EAs with a new encoding scheme are first presented for evolutionary design of the generalized GMDH-type neural networks, in which the connectivity configurations in such networks are not limited to adjacent layers. Second, multi-objective EAs with a new diversity preserving mechanism are used for Pareto optimization of such GMDH-type neural networks. The important conflicting objectives of GMDH-type neural networks that are considered in this work are training error (TE), prediction error (PE), and number of neurons ( N). Different pairs of these objective functions are selected for two-objective optimization processes. Therefore, optimal Pareto fronts of such models are obtained in each case, which exhibit the trade-offs between the corresponding pair of conflicting objectives and, thus, provide different non-dominated optimal choices of GMDH-type neural network model for fatigue life of UD CFRP composites. Moreover, all the three objectives are considered in a three-objective optimization process, which consequently leads to some more non-dominated choices of GMDH-type models representing the trade-offs among the TE, PE, and N (complexity of network), simultaneously. The comparison graphs of these Pareto fronts also show that the three-objective results include those of the two-objective results and, thus, provide more optimal choices for the multi-objective design of GMDH-type neural networks.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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