Stochastic Finite Element Analysis Framework for Modelling Mechanical Properties of Particulate Modified Polymer Composites
Notice bibliographique
Résumé
Polymers have become indispensable in many engineering applications because of their attractive properties, including low volumetric mass density and excellent resistance to corrosion. However, polymers typically lack in mechanical, thermal, and electrical properties that may be required for certain engineering applications. Therefore, researchers have been seeking to improve properties by modifying polymers with particulate fillers. In the research presented herein, a numerical modeling framework was employed that is capable of predicting the properties of binary or higher order composites with randomly distributed fillers in a polymer matrix. Specifically, mechanical properties, i.e., elastic modulus, Poisson's ratio, and thermal expansion coefficient, were herein explored for the case of size-distributed spherical filler particles. The modeling framework, employing stochastic finite element analysis, reduces efforts for assessing material properties compared to experimental work, while increasing the level of accuracy compared to other available approaches, such as analytical methods. Results from the modeling framework are presented and contrasted with findings from experimental works available in the technical literature. Numerical predictions agree well with the non-linear trends observed in the experiments, i.e., elastic modulus predictions are within the experimental data scatter, while numerical data deviate from experimental Poisson's ratio data for filler volume fractions greater than 0.15. The latter may be the result of morphology changes in specimens at higher filler volume fractions that do not comply with modelling assumptions.
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) | 0,001 | 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) | 0,001 | 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 ».