Optimization of autoclave processing of polymer composites using a genetic algorithm
Notice bibliographique
Résumé
Current industrial autoclave cure cycles used to process composites in the aerospace industry are conservative and costly.It is therefore desirable to optimize cure cycles based on industrial quality requirements to reduce costs.Process optimization requires several key components including a process model, an optimizing scheme, and an objective function.To address this problem, the University of Manitoba and its industrial partners have set out to develop the Advanced Process Control System (ApCS).As a portion of this project, the primary objective of this thesis was to develop an objective function and interface with a genetic algorithm based path generator and a process model COMPRO, developed at The University of British Columbia, to develop the optimizer for autoclave process cycle optimization.Models run by the process model used Cytec- Fiberite 934 with Toray T300 fibres.As a secondary objective for the thesis, material characterization was performed for Hexcel F155 resin with Toho T300 car-bon fibres for use in future work with APCS.Heat transfer and warpage predictions made by the process model were validated by experiments performed at Boeing Technology Canada -'Winnipeg Division.This thesis discusses the effects of various versions of the objective function and the inputs required by the genetic algorithm.Based on the optimization results for various optimizer settings used in the study, the thesis concludes by providing the best optimizer configuration. ACKNO\MLEDGEMEI\TSThank you to my fellow students for their support and words of encouragement:-Michael Hudek for his assistance with boundary conditions for the process model as well as all the support with the GA code.-Madhava Koteshwara
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 | 0,000 |
| 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 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 ».