Multi-objective evolutionary optimization of polynomial neural networks for fatigue life modelling and prediction of unidirectional carbon-fibre-reinforced plastics composites
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».