USING MACHINE LEARNING TO PREDICT MECHANICAL PROPERTIES OF LONG FIBER THERMOPLASTICS BASED ON MANUFACTURING PROCESS PARAMETERS
Notice bibliographique
Résumé
Long Fiber Thermoplastic Direct Extrusion Compression Molding (LFT-D) is an effective manufacturing process for semi-structural composite parts. LFT-D requires the user to know the influence each process parameter (e.g., temperature setpoints, rotational machinery speed, twin screw extruder configurations, matric flow rates, etc.) has on the resulting mechanical property of the manufactured part. This case study highlights the LFT-D manufacturing of carbon and glass fiber reinforced PA6 (CFRP, GFRP) at the Fraunhofer Innovation Platform (FIP) at the University of Western Ontario in London, Ontario, Canada. Data was collected for forty-six trials conducted over three years, varying fiber concentrations, fiber volume weights, screw configurations, temperatures, torques, forces, and pressures. The mechanical properties were measured and recorded in zero- and ninety-degree fiber directions. Machine Learning (ML) models like linear regression, random forest regression, ridge regressor, and lasso regressor were used to predict mechanical properties like Young's modulus and tensile strength of the part based on the process parameters as inputs. Data preprocessing and cleaning techniques were used to reduce the dimensionality of the dataset and to reduce the number of inputs to the model. These models were then evaluated using cross-validation to select the best model. Once the model was selected, the validation and testing datasets were used to determine the accuracy of the model. A sensitivity analysis was also conducted to determine how the variation in the output of each model can be attributed to the variation in input parameters. With this information, models can be further refined to obtain a more accurate prediction of the outputs and determine which inputs are essential when in the design phase of a product. The application of machine learning in the manufacturing process will ultimately accelerate composite product development and reduce the costly and iterative manufacturing process.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».