Neural networks approach for characterisation of viscoelastic polymers
Notice bibliographique
Résumé
Abstract Recent developments in computer‐aided polymer processing have brought along the need for accurate description of the behaviour of viscoelastic materials under the conjugated effect of applied stress and temperature. In order to serve this purpose, in this study, experimental data provided by bubble inflation tests for flat circular thermoplastic membranes (CTPM) comprised of viscoelastic materials when subjected to combined effects of applied stress and temperature are coupled with numerical simulations to obtain the required parameters for the characterisation of such materials. First, pressure inside the bubble and height at the hemispheric pole are recorded during bubble inflation experiment. Thereafter, Christensen's theory of viscoelasticity is employed to define the constitutive model of flat circular thermoplastic membranes (CTPM) and nonlinear equilibrium equations of the inflation process are solved using finite difference method with deferred corrections. As a last step, a neuronal algorithm (ANN model) is employed to minimise the difference between calculated and measured parameters to determine material constants for Christensen viscoelastic model. Although the developed procedure can be applied to several polymeric materials, in this paper, this technique is successfully implemented for high‐impact polystyrene (HIPS) and acrylonitrile–butadiene–styrene (ABS), at typical thermoforming temperatures, 150 and 145°C, respectively. Using these coefficients, the material behaviours of HIPS and ABS with Christensen's constitutive law are reproduced. The material model obtained in this study for HIPS and ABS can be implemented into industrial and academic softwares for applications and design purposes.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».