Machine Learning for Identifying Damage and Predicting Properties in 3D-Printed PLA/Lygeum Spartum Biocomposites
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
This paper offers an experimental approach that integrates acoustic emission (AE) monitoring with machine learning (ML) to identify damage mechanisms and predict the mechanical properties of 3D-printed biocomposites. Specimens were fabricated using a bio-filament composed of a PLA matrix reinforced with 10% wt. of Lygeum spartum fibers and were subjected to tensile and flexural tests. The processed dataset, comprising six normalized features (cumulative rise, duration, count, frequency, energy, and amplitude) was used to train four ML models: Random Forest Regression (RFR), Support Vector Regression (SVR), Artificial Neural Networks (ANN), and Decision Trees (DT) implemented in Python using libraries such as scikit-learn, pandas, and numpy. The prediction models were developed using an 80/20 train–test split and further validated by 5-fold cross-validation, with performance evaluated by R-squared (R2) and Mean Squared Error (MSE) metrics. Our results demonstrate robust prediction capabilities, with the RFR model achieving the highest accuracy (R2 > 0.98 and MSE as low as 0.013 for tensile stress prediction). Additionally, unsupervised clustering using K-means was applied to group AE signals into distinct clusters corresponding to different damage modes. This comprehensive methodology not only enhances our understanding of damage evolution in composite materials but also establishes a data-driven framework for non-destructive evaluation and structural health monitoring.
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