AI-driven residual strength diagnostics of composites using their electrical behavior under low-stress cyclic loading
Notice bibliographique
Résumé
A novel non-destructive testing (NDT) method was developed to predict the residual strength of composites, with unknown histories of fatigue damage, using their electrical behavior during a low stress cyclic loading test. Ninety-five samples, representing a wide range of fatigue damage levels, were prepared and subjected to a low-stress cyclic loading test, as a diagnostic test, while their electrical behavior was monitored. The samples then underwent quasi-static loading until failure to measure their corresponding residual strengths. To establish a relationship between the electrical behavior of samples during the diagnostic test and their corresponding residual strengths, various machine learning techniques were implemented. K-nearest neighbor (KNN), Decision Tree (DT), Random Forest, Extreme Gradient Boosting, Support Vector Regressor (SVR), and Feedforward Artificial Neural Networks were employed in two different approaches: as standalone predictors, and in an ensemble learning approach. The analysis demonstrated that a KNN meta-model, incorporating DT, SVR, and KNN as base models, in an ensemble framework, achieved the best performance, with a mean absolute percentage error (MAPE) of 5.7% in predicting residual strength. This significant performance underscores the potential of our low-stress diagnostic test for predicting the residual strength of composites, even when the fatigue damage history is unknown.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».