Tuning structural dynamics through architected inner material designs: Numerical, experimental, and machine learning analysis
Notice bibliographique
Résumé
Architected materials and structures have garnered significant interest due to their potential to furnish mechanical performances beyond the bounds of customary designs. The present work investigates the flexural and modal response of Triply Periodic Minimal Surface (TPMS)-based architected beam structures, engineered with different metamaterials, relative densities, and structural configurations. The work combines experimental and numerical analysis, performing 3-point bending tests on additively manufactured architected beams. Designs with exceptional flexural rigidity approaching 3 N . m 2 are identified, while insights into their inner stress profiles are provided. Moreover, their dynamics are assessed, revealing a topology-dependent modal response. The architected beam mechanics are compared with analytical and Finite Element Analysis (FEA) results for solid, non-architected elements, identifying alterations in the modal response, infeasible for solid beams. Evidence is provided that the appropriate microstructure selection allows for a controlled appearance of torsional and bending modes below 2000 Hz. Furthermore, machine learning models are developed to predict and explain the recorded performance, classifying the importance of underlying influential parameters. It is shown that the effective bending stiffness can be used as a lever to control the effective dynamic response. The analysis provides benchmark results for the engineering of advanced, lightweight structural members, with extraordinary dynamic attributes.
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 | 0,001 |
| 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 ».