Calibration of DEM input parameters for simulation of the cohesive materials: Comparison of response surface method and machine learning models
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 presents a methodology for calibrating discrete element method input parameters for simulating cohesive materials. The Plackett-Burman method was initially employed to identify the significant input parameters. Subsequently, the performances of response surface methodology (RSM), artificial neural networks (ANN), and random forest (RF) models for calibration were compared. The results demonstrated that the random forest model outperformed the two other models, achieving an RMSE of 1.89, an R-squared of 94 %, and an MAE of 1.63. The ANN model followed closely, with an RMSE of 3.12, an R-squared of 89 %, and an MAE of 2.18, while the RSM model exhibited lower performance with an RMSE of 6.84, an R-squared of 86 %, and an MAE of 5.41. This study presents a framework for enhancing the accuracy of DEM simulations. Finally, the robustness and adaptability of the calibration approach were demonstrated by applying calibrated parameters from one particle size to another. • Developed a novel method for calibration of DEM parameters of cohesive materials. • Used Plackett-Burman method to identify vital inputs needed for DEM calibration. • Compared performances of three calibration models: RSM, ANN, and RF. • Verified RF model's performance consistency across various particle sizes. • Emphasized the potential of using machine learning methods in the calibration of DEM.
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