Implementation of Machine Learning in Flat Die Extrusion of Polymers
Notice bibliographique
Résumé
Achieving a uniform thickness and defect-free production in the flat die extrusion of polymer sheets and films is a major challenge. Dies are designed for one extrusion scenario, for a polymer grade with specified rheological behavior, and for a given throughput rate. The extrusion of different polymer grades and at different flow rates requires trial-and-error procedures. This study investigated the application of machine learning (ML) to provide guidance for the extrusion of sheets and films with a reduced thickness, non-uniformities, and without defects. A dataset of 200 cases was generated using computer simulation software for flat die extrusion. The dataset encompassed variations in die geometry by varying the gap under a restrictor, polymer rheological and thermophysical properties, and processing conditions, including throughput rate and temperatures. The dataset was used to train and evaluate the following three powerful machine learning (ML) algorithms: Random Forest (RF), XGBoost, and Support Vector Regression (SVR). The ML models were trained to predict thickness variations, pressure drops, and the lowest wall shear rate (targets). Using the SHapley Additive exPlanations (SHAP) analysis provided valuable insights into the influence of input features, highlighting the critical roles of polymer rheology, throughput rate, and the gap beneath the restrictor in determining targets. This ML-based methodology has the potential to reduce or even eliminate the use of trial and error procedures.
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 | 0,000 |
| 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 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 ».