Multi-objective optimization of GFRP injection molding process parameters, using GA-ELM, MOFA, and GRA-TOPSIS
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
Owing to the influence of the injection molding process, warpage and volume shrinkage are two common quality defects for products manufactured by glass fiber-reinforced plastic (GFRP) injection molding. To minimize these two defects, an extreme learning machine optimized with a genetic algorithm (GA-ELM), multi-objective firefly algorithm (MOFA), and a multi-objective decision-making method (GRA-TOPSIS) were implemented in this study. All of the experiments, based on Latin hypercubic sampling (LHS), were conducted using Moldflow software to obtain the results for warpage and volume shrinkage. The prediction accuracy of the defect-prediction models based on the extreme learning machine (ELM) and GA-ELM algorithms were compared. The results show that the GA-ELM models can better predict the defect values. Finally, MOFA was used to find the Pareto optimal front, and the GRA-TOPSIS method was used to find the optimum solution from the Pareto optimal front. According to the results of the simulation verification, the warpage and volume shrinkage were effectively reduced by 12.25% and 6.11%, respectively, compared with before optimization, which indicates the effectiveness and reliability of the optimization method.
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) | 0,000 | 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