Characterizing the 3D Stress-Strain Behavior of Sandy Soils: A Neuro-Mechanistic Approach
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
An adaptive feed-back backpropagation artificial neural network (ANN) approach is used in this study along with proven mechanics-based knowledge/concepts to characterize the complex 3D monotonic stress-strain behavior of a sandy soil. To accomplish this objective, four consecutive modeling stages were conducted. In the first stage, mechanics-based knowledge relating to the cause and effect process (i.e., stress-strain) was used to design an appropriate general purpose stress-controlled ANN model. In the second stage, the designed model with appropriate input categories dictated by mechanics-based knowledge was trained and tested on 3D monotonic stress-strain experimental data of a sandy soil. In the third stage, statistical and graphical accuracy outcomes on training and testing stress-strain responses were used to arrive at the optimal neuro-mechanistic based model. In the last stage, the selected neuro-mechanistic based model is combined with appropriate mechanics-based concepts to create a hybrid neuro-mechanistic simulator (NMS). The developed NMS was found efficient in characterizing the 3D monotonic stress-strain behavior of Canadian River sand subjected to both shear and Hydrostatic Compression (HC) loading stress paths. Consequently, NMS can easily be used to simulate in real time any desired monotonic deformational behavior for given stress path and known initial stress and strain conditions.
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