MétaCan
Menu
Retour à la cohorte
Enregistrement W4386811656 · doi:10.1088/1361-665x/acfa7c

Focus on 4D materials design and additive manufacturing

2023· article· en· W4386811656 sur OpenAlexaff
Mahdi Bodaghi, Suong V. Hoa, Thomas Gries, Antoine Le Duigou, Yonas Tadesse, Lining Yao, Ali Zolfagharian

Notice bibliographique

RevueSmart Materials and Structures · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Materials and Mechanics
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésAerospace3D printingAutomotive industryFocus (optics)Field (mathematics)3d printedAdaptabilityRoboticsManufacturing engineeringEngineeringComputer scienceSystems engineeringMechanical engineeringNanotechnologyRobotArtificial intelligenceAerospace engineeringMaterials scienceManagement

Résumé

récupéré en direct d'OpenAlex

Four-dimensional (4D) printing involves the creation of materials that can change their shape, structure, or functionality over time in response to external stimuli. This incredible adaptability opens new possibilities in fields ranging from robotics to biomedical applications. This focus issue in Smart Materials and Structures is dedicated to the latest research in the dynamic field of 4D materials design and additive manufacturing. With a rapidly evolving landscape, we aimed to explore various exciting topics that are at the forefront of scientific advancements. This focus issue shed light on the current industrial applications of 4D printing. In fields such as medical, aerospace, automotive, defense, and mechanical engineering, 4D printing has already made significant strides. From customized implants and prosthetics in healthcare to adaptive structures and components in aerospace and automotive industries, the practical applications of 4D printing are diverse and impactful. This focus issue includes nine original research articles jointly made by involvement of more than 30 active academics in the field from diverse international centres and universities.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,857

Scores Codex et Gemma par catégorie

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

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 Opus0,012
Tête enseignante GPT0,215
Écart entre enseignants0,203 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmart Materials and StructuresMême sujetAdvanced Materials and MechanicsTravaux en français237 207