A Supervised Artificial Neural Network-Assisted Modeling of Magnetorheological Elastomers in Tension–Compression Mode
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
Modeling of highly sophisticated behavior of magnetorheological elastomers (MREs) is an essential step toward optimally designing and effectively controlling the smart material-based devices. While modeling MREs in shear mode has been widely carried out by employing continuum mechanics, mathematical techniques, and phenomenological approaches, the correct determination of dynamic behavior of MREs in tension-compression mode has been addressed in only a few studies due to inherent complexities mainly arising from the computational demandingness of the process. This article addresses the functionality of artificial neural network (ANN) for prediction of MRE's dynamic behavior in tension-compression mode under different levels of strain, frequency, and magnetic flux density. A multilayer perceptron-based feed-forward neural network with backpropagation training technique was used with various structures to identify an optimal configuration. A neural network structure with 20 neurons in the hidden layer was adopted, which revealed the mean square error (MSE) magnitude of 7.1 kPa with R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> values above 0.97. Afterward, the predicting capacity of the model was evaluated using experimental data sets. The obtained results are suggestive of reasonably acceptable performance of the proposed ANN model, which holds the capacity for a close mapping of the predicted tension-compression stress values to those of experimental ones. Further development of the proposed ANN model serves as a promising approach to deal with the modeling and controlling of engineering devices equipped with tension-compression MREs.
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) | 0,001 | 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 découle