Machine Learning Algorithms for Predicting Mechanical Stiffness of Lattice Structure-Based Polymer Foam
Notice bibliographique
Résumé
Polymer foams are extensively utilized because of their superior mechanical and energy-absorbing capabilities; however, foam materials of consistent geometry are difficult to produce because of their random microstructure and stochastic nature. Alternatively, lattice structures provide greater design freedom to achieve desired material properties by replicating mesoscale unit cells. Such complex lattice structures can only be manufactured effectively by additive manufacturing or 3D printing. The mechanical properties of lattice parts are greatly influenced by the lattice parameters that define the lattice geometries. To study the effect of lattice parameters on the mechanical stiffness of lattice parts, 360 lattice parts were designed by varying five lattice parameters, namely, lattice type, cell length along the X, Y, and Z axes, and cell wall thickness. Computational analyses were performed by applying the same loading condition on these lattice parts and recording corresponding strain deformations. To effectively capture the correlation between these lattice parameters and parts' stiffness, five machine learning (ML) algorithms were compared. These are Linear Regression (LR), Polynomial Regression (PR), Decision Tree (DT), Random Forest (RF), and Artificial Neural Network (ANN). Using evaluation metrics such as mean squared error (MSE), root mean squared error (RMSE), and mean absolute error (MAE), all ML algorithms exhibited significantly low prediction errors during the training and testing phases; however, the Taylor diagram demonstrated that ANN surpassed other algorithms, with a correlation coefficient of 0.93. That finding was further supported by the relative error box plot and by comparing actual vs. predicted values plots. This study revealed the accurate prediction of the mechanical stiffness of lattice parts for the desired set of lattice parameters.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».