Machine Learning for Identifying Damage and Predicting Properties in 3D-Printed PLA/Lygeum Spartum Biocomposites
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».