Physics-based and Data-driven Modeling of Electrically Conductive Polymer Nanocomposites
Notice bibliographique
Résumé
Polymer nanocomposites reinforced with carbon nanotubes (CNTs) have excellent mechanical, electrical, and electromechanical properties. Since the electrical properties vary with the mechanical applied load, interest in conducting polymer nanocomposite has increased due to their potential applications in strain sensing and structural health monitoring (SHM). An in-depth understanding of the structure-property relations of polymer nanocomposites reinforced with CNTs is needed to develop novel multifunctional materials. In this research program, a physics-based data-driven modeling framework capable of predicting the electrical and piezoresistive properties of CNT/polymer nanocomposites is developed. First, a physics-based stochastic multiscale model is developed using Monte Carlo simulations and representative volume elements. The developed numerical model is used to investigate the influence of the nanoscale parameters of CNTs and the microstructure of the nanocomposite on the percolation threshold, macroscopic electrical conductivity, and piezoresistivity of the CNT/polymer nanocomposites. Next, the numerical results from the developed numerical model are used to create representative datasets to train various machine learning models for efficient prediction of the nanocomposites properties. The developed framework is then used in the quantitative exploration of the structure-property relations of CNT/polymer nanocomposites to improve and accelerate the design of these multifunctional materials. The models developed in this research serve as tools for better understanding the underlying mechanisms of electrical conductivity and piezoresistivity in CNT/polymer nanocomposites. Moreover, the approaches used to develop these models can offer guidelines for modeling other multifunctional nanocomposites with embedded nanofillers. The insights gained from this research could be applied to SHM systems in modern structures like wind turbines, as well as within the aerospace and automotive sectors.
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) | 0,001 | 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 | 0,001 | 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 ».