Predicting Impact Damage, Residual Strength and Crashworthiness of Composite Structures
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The development of the latest generation of wide-body carbon-fibre composite passenger aircraft has heralded a new era in the utilisation of these materials. The premise of superior specific strength and stiffness, corrosion and fatigue resistance, is tempered by high development costs, slow production rates and lengthy and expensive certification programmes. Substantial effort is currently being directed towards the development of new modelling and simulation tools, at all levels of the development cycle, to mitigate these shortcomings. One of the primary challenges is to reduce the extent of physical testing, in the certification process, by adopting a ‘certification by simulation’ approach. In essence, this aspirational objective requires the ability to reliably predict the evolution and progression of damage in composites. The aerospace industry has been at the forefront of developing advanced composites modelling tools. As the automotive industry transitions towards the increased use of composites in mass-produced vehicles, similar challenges in the modelling of composites will need to be addressed, particularly in the reliable prediction of crashworthiness. While thermoset composites have dominated the aerospace industry, thermoplastics composites are likely to emerge as the preferred solution for meeting the high-volume production demands of passenger road vehicles. This keynote paper outlines recent progress and current challenges in the development of finite-element-based predictive modelling tools for capturing impact damage, residual strength and energy absorption capacity of thermoset and thermoplastic composites for crashworthiness assessments.</div></div>
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 ».