Predictive modelling of graphene-enhanced greases using classical feedback control and quantum kernel regression
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
This paper investigates two predictive modeling approaches for estimating the thermal and tribological performance of graphene-enhanced greases, aiming to reduce reliance on protracted endurance tests. Seven grease formulations with varying graphene concentrations (0–4 wt%) were prepared and tested under a uniform load to capture temperature evolution, wear scar area and coefficient of friction. A classical piecewise regression model, augmented by a Linear Quadratic Regulator (LQR), leverages feedback control to correct temperature predictions and subsequently estimate wear using a polynomial fit. This framework demonstrated high accuracy in tracking transient thermal behaviour, maintaining temperature deviations within ±1 °C of measured data. In parallel, a quantum-classical hybrid model employs a fidelity-based quantum kernel with support vector regression. By encoding partial early-cycle temperature measurements (e.g., from 30 to 120s) into a higher-dimensional Hilbert space, the quantum approach captures subtle nonlinearities and yields strong correlations for both final temperature and wear scar area. Moreover, consistent performance on IBM Quantum models with realistically simulated noise underscores the model’s potential for practical industrial implementation. Collectively, these results confirm the viability of advanced computational tools, both classical and quantum, for rapid, data-driven lubricant assessments. They highlight opportunities to optimize graphene content while minimizing costly trial and error testing.
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 | 0,000 | 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 découle