Designing architectured ceramics for transient thermal applications using finite element and deep learning
Notice bibliographique
Résumé
Abstract Topologically interlocking architectures have demonstrated the potential to create durable ceramics with desirable thermo-mechanical properties. However, designing such materials poses challenges due to the intricate design space, rendering traditional modeling approaches ineffective and impractical. This paper presents a novel approach to designing high-performance architectured ceramics by integrating machine learning (ML) techniques and finite element analysis (FEA) data. The design space of interlocked architectured ceramics encompasses tiles with varying angles and sizes. The study considers three configurations 3 × 3 , 5 × 5 , and 7 × 7 arrays of tiles with five sets of interlocking angles ( 5 ∘ , 10 ∘ , 15 ∘ , 20 ∘ , a n d 25 ∘ ) . By training ML models, specifically convolutional neural networks (CNNs) and multilayer perceptrons (MLPs) using FEA simulation data, we establish correlations between architectural parameters and thermo-mechanical characteristics. A grid comprising all possible designs was generated to predict high-performance architectured ceramics. This grid was then fed into the networks that were trained using results from the FEA simulation. The predicted results for all possible interpolated designs are utilized to determine the optimal structure among the configurations. The goal is to identify the optimal interlocked ceramics that minimize the out-of-plane deformation for thermal shielding and maximize heat absorption for heat sink applications. To validate the performance of the outcomes, FEA simulations were conducted on the best predictions obtained from both the MLP and CNN algorithms. Despite the limited amount of available simulation data, our networks demonstrate effectiveness in predicting the transient thermo-mechanical responses of potential panel designs. Notably, the optimal design predicted by CNN led to ≈ 30 % improvement in edge temperature.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».