Optimization of Neural Network architecture and derivation of closed-form equation to predict ultimate load of functionally graded material plate
Notice bibliographique
Résumé
Functionally Graded Material (FGM) plate is a complicated structure with complex allocation of spatially changing proportions of ceramic and metal within the matter. Various analytical and numerical methods have been applied with a view to evaluating the critical load of FGM plate. However, these conventional methods struggle when the computational complexity is significant, which represents an obstacle to incorporation with other advanced techniques where computational power is required (e.g. optimization or random simulations). The Neural Network (NNet) model has been successfully applied to resolve this issue. However, the conventional NNet requires proper configuration to take advantage of the model, and thus, careful parameter tuning is required. Furthermore, the NNet is typically a "black box," where the prediction mechanism is hidden. This paper establishes an optimized architecture for NNet, with parametric study of the model's hyperparameters. Variance propagation is also applied to observe the variation of the model's performance on random sub-databases splintered from the database. To this end, the explicit expression of the trained NNet model is provided after mathematically deploying the hidden algebra behind an NNet prediction. The developed model has very promising evaluation metrics: R 2 , MAE, and RMSE on the test set are 0.999925, 0.067516, and 0.146438, respectively.
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 | 0,000 | 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 ».