MétaCan
Menu
Retour à la cohorte
Enregistrement W2059121057 · doi:10.5539/jfr.v1n1p48

Finite Element Modeling and Physical Property Estimation of Rheological Food Objects

2012· article· en· W2059121057 sur OpenAlexvenueno aff
Zhongkui Wang, Shinichi Hirai

Notice bibliographique

RevueJournal of Food Research · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueDynamics and Control of Mechanical Systems
Établissements canadiensnon disponible
Organismes subventionnairesRitsumeikan Global Innovation Research Organization, Ritsumeikan UniversityRitsumeikan University
Mots-clésRheologyDeformation (meteorology)Finite element methodResidualMaterials scienceMechanicsConstitutive equationNonlinear systemComputer scienceStructural engineeringComposite materialAlgorithmEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

<p>The purpose of this study is to accurately simulate the rheological behaviors of food objects undergoing a loading-unloading operation using finite element (FE) model. Due to the presence of residual deformation, it is difficult to model rheological behaviors. Especially, it is hard to accurately reproduce both rheological force and residual deformation simultaneously. In this study, objects made of food materials were tested. Force and deformation measurements were recorded for parameter estimation. Constitutive models were investigated for describing rheological behaviors. A parallel five-element model including two dual-moduli viscous elements was proposed to accurately predict both rheological force and residual deformation simultaneously. 2D/3D FE model was formulated for simulating rheological behaviors. To estimate the parameters, an effective four-step method was established based on nonlinear optimization which aimed at minimizing the differences of forces and deformation between simulation and experiments. The proposed FE model and parameter estimation method were validated in both 2D and 3D cases and good agreements were achieved in both rheological forces and deformation between numerically simulated and experimentally measured data.</p>

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 seuil0,160

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 savante0,0000,000
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 Opus0,064
Tête enseignante GPT0,309
Écart entre enseignants0,245 · 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

Citations10
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetDynamics and Control of Mechanical SystemsTravaux en français237 207