Designing UV-Curable Resin-Made Polymeric Foams with Lattice Structures for Desired Stiffness via Machine Learning
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
Several industries extensively utilize polymeric foams due to their exceptional characteristics. The mechanical properties of a foam structure play a significant role in compression, so it is necessary to optimize foam deformation to achieve the desired outcome. The cell structures of foams are created randomly, but the issue has been resolved by lattice structures. Compared with traditional foams, lattice structures can enhance mechanical properties and facilitate the development of novel applications. Despite extensive research on lattice structures in both rigid and soft materials, there is a notable lack of predictive modeling specifically for soft thermoset Ultraviolet (UV)-curable lattice structures. This study employs additive manufacturing (AM) and machine learning (ML) to address this discrepancy. In this work, 93 lattice designs were produced using AM and evaluated for their geometric structure through compression tests utilizing ML techniques, specifically artificial neural network (ANN) and random forest (RF). The process involves the preparation of data, training of ML models, and evaluation. The RF model surpasses ANN model and is the most effective at predicting lattice geometries using force, strain, and lattice-type inputs in a graphical user interface. Hence, this study improves ML comprehension and utilization in the design of lattice structures to optimize the performance of soft materials across diverse applications.
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 | 0,001 | 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