Evaluating Microstructural Characteristics of Aluminum–Silicon Carbide Nanomixtures: Application of Spatio-Temporal Graph Convolutional Neural Networks for Enhanced Analysis
Notice bibliographique
Résumé
Nanomixes of aluminum and silicon carbide (Al–SiC) are sophisticated composite materials with better mechanical qualities, such as increased stiffness and strength. The microstructural properties of an aluminum matrix, such as grain size, phase distribution, and interfacial bonding, can be greatly influenced by the addition of silicon carbide nanoparticles. Achieving homogeneous dispersion of nanoparticles and preserving robust interface bonding while striking a balance between mechanical strength and ductility present challenges. This paper proposes a hybrid approach for evaluating the microstructural characteristics of Aluminum–Silicon Carbide Nanomixtures. The proposed hybrid method combines a Spatio-Temporal Graph Convolutional Neural Network (STGCNN) and Ali Baba and Forty Thieves Optimization (AFTO) and is usually referred to as the AFTO-STGCNN method. The main objective of the proposed method indicates the smallest aluminum matrix crystallite size and the maximum lattice strain can be achieved by modifying the process parameters. The AFTO approach is utilized to optimize the process parameters producing the minimum crystallite size and the maximum lattice strain of the Al matrix. The STGCNN technique predicts the characteristics of the Al/SiC nanocomposite. The proposed AFTO-STGCNN technique runs in the MATLAB platform and is compared to perform with the various existing methods. By this, the proposed technique achieves an error of 0.1%. But, the existing techniques, like Artificial Neural Network (ANN), Growth Optimizer Algorithm (GOA), and Multi-objective Grasshopper Optimization Algorithm (MOGOA) attain the error of 0.3%, 0.2%, and 0.6%, respectively. Finally, this work demonstrates that the proposed strategy for minimizing error and enhancing performance in evaluating the microstructural properties of aluminum–silicon carbide nanomixtures is feasible.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».