Simulation of Wave Propagation in Biomimetic Porous Scaffold Using Artificial Neural Network
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
Abstract The study of wave propagation in biomimetic porous scaffold requires the inclusion of some complex physics such as the interaction of the ultrasonic wave with pore fluid, solid phase, and porous material. Also, due to viscous interactions between the pore fluid and skeletal frame, the dynamic tortuosity as a fractional function of frequency in the clinically relevant ultrasound frequency range is considered. The bone scaffold here is simulated using a porous slab whose two dimensions are infinite. The Biot-JKD theory used for wave propagation in porous media is conditioned with many physical parameters. Solving such governing equations for complex multi-physics problems is computationally expensive. Therefore, developing efficient tools and numerical methods to address multi-physics problems is appealing. Artificial Neural Network (ANN) can efficiently solve convoluted-parametric problems. The purpose of this research is to propose a physics-aware ANN to simulate wave propagation in bone scaffold filled with a viscous fluid. A set of data including porosity, viscosity, tortuosity, viscous characteristics length, Poisson’s ratio, and elastic modulus which are sensitive to the transmission and reflection signals are applied to the ANN as inputs and the reflection and transmission signals are obtained as outputs. The reflected and transmitted waves for different porosities are considered and the results show an excellent agreement with the proposed analytical theory and experimental data found in the literature.
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 | 0,001 |
| 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