Fractional-Order Derivative, Bounding Surface Plasticity–Based Anisotropic NorSand: Formulation and Validation
Notice bibliographique
Résumé
The NorSand model is used for the constitutive modeling of granular materials, particularly loose tailings, as it incorporates the material’s state in its formulation. However, there are some drawbacks such as not considering the loading and the material fabric anisotropy, inaccurate modeling of the stress–dilatancy behavior of the medium-dense to dense granular materials under undrained cyclic shear conditions, not addressing the actual directions of principal stresses during cyclic torsional shear tests dealing with pure rotation, and not modeling the inelastic nature of unloading and subsequent reloading phases during undrained cyclic shearing. This paper introduces a new stress–dilatancy parameter based on the fractional plasticity and modifies NorSand to account for the anisotropy in the main framework of the bounding surface plasticity and employs the single stress point mapping rule to update unloading and reloading stresses based on kinematic hardening parameters. It also benefits from the nonassociative nature of the applied fractional derivative to the dilatancy parameter to develop the plastic flow in the direction, which is not mandatorily perpendicular to the yielding surface. The developed constitutive model is then validated against experimental data for the monotonic triaxial cases at both loose and dense states; drained triaxial cyclic, undrained cyclic simple shear, and cyclic torsional shear test cases and good prediction accuracies are observed. The sensitivities of the modified NorSand model to the hardening parameter and the original NorSand model to the softening parameter are compared to assess the efficiency and suitability of these parameters in predicting the material response.
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 ».