Characterizing microstructures with representative tortuosities
Notice bibliographique
Résumé
This paper addresses the numerical characterization of microstructures by the concept of tortuosity. After a brief review of geometric tortuosities, some definitions are considered for a benchmarking analysis. The focus is on the M-tortuosity definition, which is revised by expliciting the link to percolation theory, among other things. This operator fits with the analysis of real samples of materials whatever their complexity. A contribution of this paper is a new formulation of the M-tortuosity , making it generic to many situations. Additionally, the comparison of the various tortuosimetric descriptors, state-of-the-art definitions and M-tortuosity , is proposed by considering several scenarios thanks to stochastic multi-scale models of complex materials. The relationships with porosity, morphological heterogeneity and structural anisotropy are investigated. The results highlight the similarities and differences between the descriptors while attesting that the M-tortuosity is equivalent to the state-of-the-art definitions, for a potential use in diffusion and conductivity analyses. Moreover, the M-tortuosity handles correctly situations where state-of the-art algorithms fail. The anisotropic case highlights some limitations of the state-of-the-art definitions behaving differently according to the given propagation direction. In the case of unknown propagation and irregular piece of materials, the M-tortuosity provides a unique tortuosity value representative of the whole microstructure while detecting the anisotropy. These operators are freely available within the plug im! platform.
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 | 0,000 | 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 | 0,001 |
| 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 ».