Using Neural Networks to Examine the Sensitivity of Composite Material Mechanical Properties to Processing Parameters
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Successful manufacture of Carbon Fibre Reinforced Polymers (CFRP) by Long-Fibre Reinforced Thermoplastic (LFT) processes requires knowledge of the effect of numerous processing parameters such as temperature set-points, rotational machinery speeds, and matrix melt flow rates on the resulting material properties after the final compression moulding of the charge is complete. The degree to which the mechanical properties of the resulting material depend on these processing parameters is integral to the design of materials by any process, but the case study presented here highlights the manufacture of CFRP by LFT as a specific example. The material processing trials are part of the research performed by the International Composites Research Centre (ICRC) at the Fraunhofer Project Centre (FPC) located at the University of Western Ontario in London, Ontario, Canada. The experimental processing system is instrumented to record data in three zones of the machine, including temperatures, torques, speeds, forces, and pressures. Material processing trials for six different fibre volume weights were conducted and the mechanical properties of the material were measured in both the zero and ninety degree fibre directions. A neural network model relating the processing parameters (as model inputs) to the mechanical properties of the material (as model outputs) was developed. As a result, the sensitivity of the material’s mechanical properties to the processing parameters could be examined as part of the model optimization process. The results of the sensitivity study are presented here along with a discussion of the further reaching implications on design tool development for composite materials.</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 ».