Bayesian probabilistic machine learning analysis of ceramic‐coated ultra‐high‐temperature carbon/carbon composites
Notice bibliographique
Résumé
Abstract Regulatory agencies and key stakeholders are increasingly promoting the use of probabilistic approaches in design processes for large corporations. This shift is particularly emphasized in analyzing mechanical properties, such as fatigue and failure prediction. Additionally, the use of probabilistic artificial intelligence represents a transformative advancement in material science that leads to enhanced predictive accuracy and robust decision‐making capabilities. These artificial intelligence methods enable more informed decision‐making in the design and evaluation of advanced materials by quantifying uncertainty and offering probabilistic assessments, particularly for applications involving extreme environments. High‐temperature materials, such as carbon/carbon (C/C) composites, are essential for modern technological applications. However, their vulnerability to oxidation poses a significant barrier, indicating the necessity for effective protective coatings. The application of these coatings to C/C composites is complex and has hindered their widespread use in high‐temperature settings. In this study, we utilize finite element analysis (FEA) and machine learning (ML) combined with Bayesian probability to examine the behavior of silicon carbide ceramic‐coated cubic C/C composites. The investigation focuses on how stress and strain evolve under varying thermal conditions and cyclic thermal loading from a probabilistic perspective. This work integrates FEA and Bayesian probabilistic‐based ML to enhance the predictive power for evaluating ultra‐high‐temperature materials.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».