Assessment of Ensemble Learning Techniques for Predicting Delamination Factor (F <sub>d</sub> ) in Abrasive Water Jet Machined SiC-Reinforced Jute Epoxy Composites
Notice bibliographique
Résumé
This research work study focuses on evaluating the delamination factor (Fd) of the machined holes made on jute fibre epoxy polymer composites filled with SiC particles, machined using the abrasive water jet. The delamination factor (Fd) was predicted using machine learning algorithms. In this research, 3 machine learning models (i) Decision Tree (DT), (ii) Random Forest (RF), and (iii) XGBoost algorithm. From this work, it was observed that XGBOOST achieved the highest coefficient of determination (R2 = 0.9562) and the lowest error values (MAE = 0.0095, MSE = 0.0005, RMSE = 0.0234), outperforming the others in terms of accuracy. By contrast, DT performed the worst (R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>=0.8491), whereas RF obtained an R<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> of 0.9060. This work reported that XG Boost algorithm predicted better delamination factor (Fd) in SiC-filled jute fibre epoxy composites. This advancement not only supports improved data-driven decision-making in material research but also aligns with the goals of Industry, Innovation and Infrastructure by promoting technologically advanced analytical methods, and Responsible Consumption and Production by enabling optimized material design and more efficient resource utilization.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».