Machine learning predictions and benchmarking of non-linear mechanical behavior of polymer composites
Notice bibliographique
Résumé
The rise of environmental concerns and the worldwide transition to a circular economy is partly fueling the discovery of new materials with unique functionalities that satisfy industry requirements. Polymer composites are among the most popular materials in various metal-replacement applications, such as auto and aerospace light-weighting, electronics, optics and energy storage devices. Nonetheless, their vast compositional design freedom and sensitivity to ambient conditions require extensive physical experiments. To address this issue, the aim of this research is to develop machine learning (ML) algorithms which are able to characterize entire stress-strain curves of polymer composites based on their composition, processing and environmental conditions. Three distinct feature variables including temperature, filler content and strain were utilized to predict the output stress amounts. The results indicated that the artificial neural network (ANN) models, with a new train-test splitting strategy, accurately fit the training data, as evidenced by the root mean squared error (RMSE) values below 3 MPa for PET composites and below 1 MPa for PC composites. Furthermore, the developed ANN models revealed a satisfactory performance on the testing data, with RMSE of less than 1.5 MPa for PC composites and approximately 6 MPa for PET composites. These findings pointed out the effectiveness of ANN models in predicting complete stress-strain curves of polymer composites, especially when a sufficient amount of data is available. The outcomes obtained will pave the way for automated design and characterization of advanced multifunctional composites while minimizing extensive physical testing, thereby advancing the vision set out by Industry 4.0.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».