Neural Networks Approach for Hyperelastic Behaviour Characterization of ABS under Uniaxial Solicitation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recent developments in computer-aided polymer processing have brought along the need for accurate description of the behavior of materials under the conjugated effect of applied stress and temperature. In order to serve this purpose, in this study, experimental data provided by uniaxial tensile technique tests for thermoplastic halter (CTPH) comprised of hyperelastic materials when subjected to combined effects of applied stress and temperature are coupled with numerical simulations to obtain the required parameters for the characterization of such materials. First, stresses and displacements the thermoplastic halter are recorded during experiment. Thereafter, Mooney-Rivlin's and Ogden theory of hyperelastic is employed to define the constitutive model of thermoplastic halter (CTPH) and nonlinear equilibrium equations of the process are solved using finite element method with Abaqus software. As a last step, a neuronal algorithm (ANN model) is employed to minimize the difference between calculated and measured parameters to determine material constants for Mooney-Rivlin and Ogden models. Although the developed procedure can be applied to several polymeric materials, in this paper, this technique is successfully implemented for acrylonitrile-butadienestyrene (ABS). Using these coefficients, the material behavior of ABS with Mooney-Rivlin and Ogden constitutive laws is reproduced. The material model obtained in this study for 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.
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 découle