Predicting Abrasion Resistance in Thermoplastic Polyurethanes Using Machine Learning
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
ABSTRACT Abrasion resistance is a critical property of thermoplastic polyurethane (TPU), especially for applications in automotive, footwear, and medical devices where durability under mechanical stress is essential. Conventional testing methods for abrasion, such as ISO 4649, are time‐consuming and require specialized equipment. This study introduces a machine learning (ML)‐based predictive framework to estimate TPU abrasion volume loss using mechanical and structural property data extracted from the CAMPUS database. Key features including viscoelastic moduli, tensile and tear strength, Shore hardness, and density were selected through Pearson correlation analysis. Six supervised regression models were developed and evaluated: Linear, Polynomial, Decision Tree, Random Forest, Gradient Boosting Regressor (GBR), and Support Vector Regressor (SVR). SVR achieved the highest R 2 (0.79) on testing data, but its poor training performance indicated underfitting and sensitivity to data sparsity. In contrast, GBR demonstrated more consistent and generalizable predictions, achieving an R 2 of 0.72 and RMSE of 5.2 mm 3 . The results underscore the potential of ML algorithms to model structure–property relationships in elastomers. This approach offers a cost‐ and time‐efficient alternative for early‐stage screening of TPU grades and accelerates the design of abrasion‐resistant polymer formulations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle