MétaCan
Menu
Retour à la cohorte
Enregistrement W4225300847 · doi:10.1109/dasa54658.2022.9765059

Bumper Beam Composite Material Selection using Fuzzy Multi-Criteria Analysis

2022· article· en· W4225300847 sur OpenAlexaff
Anaamalaai Annamalai Senthilnathan, Sehul Rajendra Mehta, Golam Kabir

Notice bibliographique

Revue2022 International Conference on Decision Aid Sciences and Applications (DASA) · 2022
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueMulti-Criteria Decision Making
Établissements canadiensUniversity of Regina
Organismes subventionnairesnon disponible
Mots-clésTOPSISMaterial selectionAnalytic hierarchy processSelection (genetic algorithm)Ranking (information retrieval)Multiple-criteria decision analysisNew product developmentComputer scienceFuzzy logicProduct designProduct (mathematics)Ideal solutionAutomotive industryManufacturing engineeringRank (graph theory)Process (computing)EngineeringOperations researchMaterials scienceArtificial intelligenceMathematicsComposite materialBusiness

Résumé

récupéré en direct d'OpenAlex

Material selection has long been seen as a critical activity in both the design and product development processes. Inappropriate material selection can result in the product being remanufactured and reproduced at a later stage of development. This article conducts a decision-making study of bumper beams to avoid such scenarios, assisting designers in material selection. To accomplish this, a hybrid multicriteria decision-making analysis (MCDA) approach combining the fuzzy analytical hierarchy process (AHP) and the fuzzy technique for ranking preferences by the similarity of ideal solutions (TOPSIS) was designed. Carbon fibre reinforced in an epoxy matrix was discovered to be a more appropriate material for vehicle bumper beams. This study will assist designers and product development personnel in making the optimal material selections for the automobile sector.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,772
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0030,005
Études des sciences et des technologies0,0030,000
Communication savante0,0020,001
Science ouverte0,0030,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0160,000

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.

Tête enseignante Opus0,230
Tête enseignante GPT0,471
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2022 International Conference on Decision Aid Sciences and Applications (DASA)Même sujetMulti-Criteria Decision MakingTravaux en français237 207