A Hybrid Artificial Neural Network Approach for Modeling the Behavior of Polyethylene Terephthalate (PET) Under Conditions Applicable to Stretch Blow Molding
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
Stretch blow molding (SBM) is widely utilized in industrial applications, yet the deformation characteristics of materials during this process are intricate and challenging to precisely articulate. To accurately forecast the stress-strain response of polyethylene terephthalate (PET) in SBM, a hybrid Artificial Neural Network (ANN)-based constitutive model has been developed. The model has been created by combining a physical-based function for capturing the small-strain behavior in parallel with an ANN-based model for capturing the temperature-dependent large-strain nonlinear viscoelastic behavior. The architecture of the ANN has been designed to ensure stability in a load-controlled scenario, thus making it suitable for use in FEA simulations of stretch blow molding. Data for training the model have been generated by a new semi-automatic experimental rig which is able to produce 850 stress-strain curves over a wide range of process conditions (temperature range 95-115 °C and strain rates ranging from 1/s to 100/s) directly from blowing preforms using a combination of high-speed video, digital image correlation and sensors for pressure and force. The model has already been implemented in the commercial FEA package Abaqus via a VUMAT subroutine, with its performance validated by comparing the prediction of the evolution of preform shape during blowing vs. high-speed images. In conclusion, the developed hybrid ANN model, when integrated into Abaqus, offers a more accurate simulation of SBM processes, contributing to improved design efficiency and product quality.
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