Application of Artificial Neural Network for Parameters Optimization on Tensile Properties via Hand Lay-up Techniques for Kenaf/Fibreglass Reinforced Hybrid Composite
Notice bibliographique
Résumé
The growing demand for sustainable, high-performance materials has led to the development of hybrid composites that integrate natural and synthetic fibers.This study explores the tensile properties of kenaf/fiberglass reinforced polyester hybrid composites fabricated through the hand lay-up technique.Composites incorporating varying kenaf fiber weight percentages (15%, 45%, 60%, and 75%) were evaluated in accordance with American Society for Testing and Materials (ASTM) D3039 standards.Additionally, an Artificial Neural Network (ANN) model was constructed to predict tensile strength based on fiber content, composite thickness, and defect levels.The model was trained using three different algorithms: Levenberg-Marquardt (LM), Bayesian Regularization (BR), and Scaled Conjugate Gradient (SCG).The composite with 45% kenaf fiber demonstrated the optimal tensile performance.The highest measured tensile strength reached 50.47 MPa.The ANN model achieved a high prediction accuracy with a correlation coefficient (R) of 0.9686 and a Mean Squared Error (MSE) of 0.0063.Among the training algorithms, the LM algorithm outperformed the others in terms of prediction accuracy.These findings highlight the effectiveness of ANN modelling in optimizing hybrid composite formulations, minimizing experimental requirements, and advancing their use in structural applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».