Data-driven integration of synthetic representative volume elements and machine learning for improved microstructure-property linkage and material performance in ceramics
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
Ceramic materials, characterized by their heat resistance, dielectric properties, and mechanical performance, are often compromised by brittleness due to microstructural inclusions. These inclusions, such as defects, secondary phases, and pores, are critically analyzed for their impact on material strength and fracture properties. In this study, the linkage between microstructure and properties in ceramic materials is explored through a methodological approach that combines experimental observations with physics-based and machine learning models. A data-driven approach has been employed, utilizing synthetic Representative Volume Elements (RVEs) derived from X-ray computed tomography scans of ceramics. The methodology involves an automated finite element (FE) simulation process for progressive failure analysis under uniaxial compression and tension. The analysis is conducted using statistical, data-driven, and machine learning techniques, including principal component analysis and k -means clustering, to assess the microstructural features' impact on material performance. The study focuses on the use of RVEs for accurately capturing essential microstructural characteristics and addresses the challenges in developing synthetic models and the limitations of simulation capabilities. The study's findings reveal that less uniform inclusion distribution and a higher standard deviation in inclusion size correlate to lower mechanical performance. By applying data-driven methods, this research contributes to the optimization of material performance and the establishment of structure-property relationships, with a particular emphasis on the influence of inclusions and defects on the mechanical behavior of ceramic materials.
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 | 0,001 | 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 | 0,001 |
| 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