Machine learning predictions on fracture toughness of multiscale bio-nano-composites
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
Tailorability is an important advantage of composites. Incorporating new bio-reinforcements into composites can contribute to using agricultural wastes and creating tougher and more reliable materials. Nevertheless, the huge number of possible natural material combinations works against finding optimal composite designs. Here, machine learning was employed to effectively predict fracture toughness properties of multiscale bio-nano-composites. Charpy impact tests were conducted on composites with various combinations of two new bio fillers, pistachio shell powders, and fractal date seed particles, as well as nano-clays and short latania fibers, all which reinforce a poly(propylene)/ethylene–propylene–diene-monomer matrix. The measured energy absorptions obtained were used to calculate strain energy release rates as a fracture toughness parameter using linear elastic fracture mechanics and finite element analysis approaches. Despite the limited number of training data obtained from these impact tests and finite element analysis, the machine learning results were accurate for prediction and optimal design. This study applied the decision tree regressor and adaptive boosting regressor machine learning methods in contrast to the K-nearest neighbor regressor machine learning approach used in our previous study for heat deflection temperature predictions. Scanning electron microscopy, optical microscopy, and transmission electron microscopy were used to study the nano-clay dispersion and impact fracture morphology.
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) | 0,001 | 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 | 0,001 |
| 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