Damage Mechanism Characterization of Glass Fiber-Reinforced Polymer Composites: A Study Using Acoustic Emission Technique and Unsupervised Machine Learning Algorithms
Notice bibliographique
Résumé
Recent advancements in composite materials design have made glass fiber-reinforced polymer composites (GFRPC) a viable choice for a wide range of engineering and industrial applications. Although GFRPCs boast attractive characteristics such as low specific mass and high specific mechanical strength, identifying and characterizing damage mechanisms in these materials is challenging. Several scientific studies have examined the root causes of GFRPC failure using various methods, including non-destructive techniques and learning algorithms. Despite this, ongoing investigations aim to accurately detect mechanical defects in GFRPCs. This study explores the use of non-destructive testing (NDT) combined with unsupervised learning algorithms to identify and classify damage mechanisms in GFRPCs. The NDT method employed in this study is acoustic emission (AE), which identifies waveforms associated with various failure mechanisms during testing. These waveforms are categorized using unsupervised learning methods such as principal component analysis (PCA) and self-organizing maps. PCA selects the most appropriate AE descriptors for distinguishing between different damage mechanisms, while the self-organizing maps algorithm performs clustering analysis and classifies failure mechanisms. Scanning electron microscope images of the observed failures are provided to sup-port the findings derived from AE data.
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 | 0,001 | 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 ».