Numerical Methods in Studies of Liquid Crystal Elastomers
Notice bibliographique
Résumé
Liquid crystal elastomers (LCEs) are a type of material with specific features of polymers and of liquid crystals. They exhibit interesting behaviors, i.e., they are able to change their physical properties when met with external stimuli, including heat, light, electric, and magnetic fields. This behavior makes LCEs a suitable candidate for a variety of applications, including, but not limited to, artificial muscles, optical devices, microscopy and imaging systems, biosensor devices, and optimization of solar energy collectors. Due to the wide range of applicability, numerical models are needed not only to further our understanding of the underlining mechanics governing LCE behavior, but also to enable the predictive modeling of their behavior under different circumstances for different applications. Given that several mainstream methods are used for LCE modeling, viz. finite element method, Monte Carlo and molecular dynamics, and the growing interest and reliance on computer modeling for predicting the opto-mechanical behavior of complex structures in real world applications, there is a need to gain a better understanding regarding their strengths and weaknesses so that the best method can be utilized for the specific application at hand. Therefore, this investigation aims to not only to present a multitude of examples on numerical studies conducted on LCEs, but also attempts at offering a concise categorization of different methods based on the desired application to act as a guide for current and future research in this field.
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) | 0,002 | 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 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 ».