Development of an Optimization Tool for Calibrating Crack Growth Material Models
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
Abstract Crack growth models are typically calibrated using experimental data prior to conducting damage tolerance analyses of aircraft structures. This process can be trivial for crack growth models that only have a few fitting parameters. However, other models, such as the FASTRAN crack growth equation with the analytical crack-closure model, include several model parameters that make calibration challenging. To simplify the calibration process and improve the accuracy of crack growth simulations, an automated crack growth model optimization tool was developed. This tool also aims at improving the robustness of crack growth models by reducing their dependency on loading spectra and specimen geometries. To achieve this, numerical optimization is used to minimize the discrepancy between experimental data and analytical crack growth. To demonstrate this approach, material model parameters were calibrated for P-3/CP-140 aircraft applications using the FASTRAN crack growth equation with the analytical crack-closure model. The optimization tool was found to be very effective at fitting crack growth simulation results to experimental data by changing the values of selected parameters. It was, however, observed that the automated calibration process could find multiple sets of FASTRAN parameter values that provide equivalent correlations with experimental data. In an attempt to develop a more robust material model, multiple test configurations with different geometries and loading spectra were used to determine an optimal trade-off model that maximizes the correlation for multiple test configurations. The conducted tests demonstrated that this approach is viable and could be used to improve the robustness of crack growth simulations.
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 | 0,001 |
| 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