Machine learning assisted discovery of effective viscous material laws for shear-thinning fiber suspensions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this article, we combine a Fast Fourier Transform based computational approach and a supervised machine learning strategy to discover models for the anisotropic effective viscosity of shear-thinning fiber suspensions. Using the Fast Fourier Transform based computational approach, we study the effects of the fiber orientation state and the imposed macroscopic shear rate tensor on the effective viscosity for a broad range of shear rates of engineering process interest. We visualize the effective viscosity in three dimensions and find that the anisotropy of the effective viscosity and its shear rate dependence vary strongly with the fiber orientation state. Combining the results of this work with insights from literature, we formulate four requirements a model of the effective viscosity should satisfy for shear-thinning fiber suspensions with a Cross-type matrix fluid. Furthermore, we introduce four model candidates with differing numbers of parameters and different theoretical motivations, and use supervised machine learning techniques for non-convex optimization to identify parameter sets for the model candidates. By doing so, we leverage the flexibility of automatic differentiation and the robustness of gradient based, supervised machine learning. Finally, we identify the most suitable model by comparing the prediction accuracy of the model candidates on the fiber orientation triangle, and find that multiple models predict the anisotropic shear-thinning behavior to engineering accuracy over a broad range of shear rates.
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.
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 | 0,000 |
| 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 découle