Data-driven analysis of acoustic emission signals for the distinction of deformation mechanisms
Notice bibliographique
Résumé
The mechanical behavior of most materials involves discrete ``avalanche'' events, where a local microscopic volume within the bulk undergoes large abrupt deformations. Such events are commonly detected and analyzed based on the acoustic emission (AE) they generate. Many materials display several deformation mechanisms simultaneously, thus calling for analysis tools that can differentiate between the AE signals they produce. We introduce a new classification method where the power-spectral densities of AE signals are mapped onto a two-dimensional space by the $t$-distributed stochastic neighbor embedding (tSNE) algorithm. To study the effectiveness and accuracy of these tools, we produced ground-truth datasets of AE signals generated by dislocation plasticity, deformation twinning, and martensitic transformation. This is achieved by loading three different alloys, each characterized by a single deformation mechanism. We show that each dataset has different distributions of AE features, thus strengthening the necessity to distinguish between AE signals generated by different deformation mechanisms. Moreover, an analysis that does not separate deformation mechanisms, and instead considers the combined datasets, provides distributions that lead to specious conclusions. The two-dimensional representation applied by our data-driven method displays three distinct clusters, which are also identified by the $k$-means clustering algorithm. The clusters match the ground-truth datasets with an accuracy of 98.6%, implying the method's capability to distinguish between different deformation mechanisms that coexist in the same material.
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 ».