Combining Finite Element and Machine Learning Methods to Predict Structures of Architectured Interlocking Ceramics
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
Attaining optimum structural ceramic designs calls for an extensive search in a vast design space. Herein, the thermomechanical properties of interlocked ceramics are evaluated and an approach to assist their design under thermal shock loading is proposed. A combination of finite‐element (FE) and machine learning (ML) methods is used to simulate behaviors of systems and then to sweep the vast domain of input combinations to determine the best‐performing designs, respectively. First, FE modeling is done using a limited number of interlocking architectures with different design parameters via Comsol Multiphysics. The simulation data is used for training ML algorithms. Of the examined ML algorithms, Gaussian process regression (GPR), extreme gradient boosting (XGB), and neural networks (NN) more accurately predict the thermomechanical responses of the interlocking ceramics. After validation, the combination of FE and ML approaches is applied to thermal shielding and heat sink applications to find the optimal interlocked ceramics in terms of minimal out‐of‐plane deformation and maximal heat absorption, respectively. The results show the success of the approach in finding optimum designs in a space of more than 2 million cases. The striking success of the ML approach implies its promising potential for predicting physical properties of ceramics.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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