Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một mô hình LSTM với việc lựa chọn đặc trưng tối ưu để dự đoán hành vi kéo và sự thất bại kéo của các vật liệu composit ma trận polymer
Tóm tắt
Các tính chất cơ học như độ bền kéo, độ dẻo và mô đun kéo là những tiêu chí thiết yếu trong thiết kế vật liệu composite ma trận polymer (PMC) và được xác định thông qua đường cong ứng suất-biến dạng thu được từ thử nghiệm kéo. Các nhà thiết kế vật liệu có thể xem xét các xu hướng đường cong ứng suất-biến dạng dựa trên sự kết hợp và thành phần, nhưng rất khó để dự đoán bằng phần mềm phân tích số do mối tương quan phức tạp dựa trên các tính chất hóa học. Để khắc phục những hạn chế này trong thiết kế PMC, nghiên cứu này sử dụng các phương pháp kỹ thuật đặc trưng như phân tích thành phần chính (PCA) và loại bỏ đặc trưng đệ quy với xác thực chéo (RFECV) để tìm ra tập hợp các đặc trưng tối thiểu và tối ưu cần thiết cho việc dự đoán hành vi kéo của PMC. Các mô hình Bộ Nhớ Dài Ngắn Hạn (LSTM) và Mạng Nơ-ron Tiền Tín (FNN) được huấn luyện bằng cách sử dụng tập hợp đặc trưng tối ưu và 1.270 dữ liệu thử nghiệm kéo của PMC để dự đoán đường cong ứng suất-biến dạng kéo. Mô hình dự đoán phát triển trong nghiên cứu này cung cấp các đường cong ứng suất-biến dạng của các thử nghiệm kéo, bao gồm sự thất bại kéo của PMC, điều này có thể gặp khó khăn do tính phi tuyến cao của PMC. Các nhà thiết kế vật liệu có thể giảm thời gian và chi phí lao động cho thiết kế PMC thông qua mô hình dự đoán hành vi kéo này, có độ chính xác R2=92% và yêu cầu ít đặc trưng hơn. Bên cạnh đó, mô hình cũng có thể được sử dụng như một mô hình sàng lọc hiệu suất cao cho các hệ thống thiết kế ngược PMC.
Từ khóa
#hành vi kéo #ma trận polymer #mô hình LSTM #lựa chọn đặc trưng #kỹ thuật dự đoánTài liệu tham khảo
KPMG, Light weighting of materials: a shift in the center of the automobile light weighting trend, Issue Monitor, 96 (2018).
M.-Y. Lyu and T. G. Choi, Int. J. Precision Eng. Manuf., 16, 1 (2015).
A. Sharma, T. Mukhopadhyay, S. M. Rangappa, S. Siengchin and V. Kushvaha, Arch. Computat. Methods Eng., 29, 3341 (2022).
U. F. Röhrig and I. Frank, J. Chem. Phys., 115(18), 8670 (2001).
J. Koyanagi, N. Takase, K. Mori and T. Sakai, Compos. Part C: Open Access, 2, 100041 (2020).
H. J. Kreuzer and M. Grunze, Europhys. Lett., 55(5), 640 (2001).
B. B. Yin, J. S. Huang, W. M. Ji and K. M. Liew, Carbon, 200, 10 (2022).
N. Keshmiri, P. Najmi, B. Ramezanzadeh and G. Bahlakeh, J. Mol. Liq., 331, 115800 (2021).
J. T. Orasugh and S. S. Ray, Polymers, 14(4), 704 (2022).
W. Bradley, J. Kim, Z. Kilwein, L. Blakely, M. Eydenberg, J. Jalvin, C. Laird and F. Boukouvala, Comput. Chem. Eng., 166, 107898 (2022).
T. Wu and J. Movellan, Semi-parametric Gaussian process for robot system identification, IEEE/RSJ International Conference on Intelligent Robots and Systems, IEEE (2012).
J. Lu, K. Yao and F. Gao, AIChE J., 55(9), 2318 (2009).
S. Yang, S. W. K. Wong and S. C. Kou, Proc. National Acad. Sci., 118(15), e2020397118 (2021).
B. A. Shuvho, M. A. Chowdhury and U. K. Debnath, Mater. Perform. Charact., 8, 288 (2019).
M. A. S. Matos, S. T. Pinho and V. L. Tagarielli, Carbon, 146, 265 (2019).
I. Argatov, Front. Mech. Eng., 5, 30 (2019).
D. Koller and M. Sahami, Toward optimal feature selection, Stanford InfoLab Technical Report (1996).
J. Cai, J. Luo, S. Wang and S. Yang, Neurocomputing, 300, 70 (2018).
C. Lee and G. G. Lee, Inf. Process. Manage., 42, 155 (2006).
M. V. Pathan, S. A. Ponnusami, J. Pathan, R. Pitisongsawat, B. Erice, N. Petrinic and V. L. Tagarielli, Sci. Rep., 9, 1 (2019).
Z. Jiang, Z. Zhang and K. Friedrich, Compos. Sci. Technol., 67, 168 (2007).
D. W. Abueidda, M. Almasri, R. Ammourah, U. Ravaioli, I. M. Jasiuk and N. A. Sobh, Compos. Struct., 227, 111264 (2019).
R. Haddad and M. Haddad, Struct. Concr., 22, 1 (2021).
M. S. Nashed, J. Renno and M. S. Mohamed, Fatigue Fract. Eng. Mater. Struct., 45, 9 (2022).
H. Byun and J. J. Song, Tunnel Underground Space, 28(3), 277 (2018).
H. Abdi and L. J. Williams, Wiley Interdisciplinary Rev.: Comput. Statistics, 2(4), 433 (2010).
Y. Wang, J. Xiao, T. O. Suzek, J. Zhang, J. Wang and S. H. Bryant, Nucleic Acids Res., 37(2), 623 (2009).
S. Otsuka, I. Kuwajima, J. Hosoya, Y. Xu and M. Yamazaki, PoLy-Info: Polymer database for polymeric materials design, 2011 International Conference on Emerging Intelligent Data and Web Technologies, IEEE, 22 (2011).
H. Moriwaki, Y. S. Tian, N. Kawashita and T. Takagi, J. Cheminformatics, 10, 1 (2018).
G. Landrum, Rdkit documentation, Release 2019.09.1 (2019).
T. S. M. Kumar, K. Senthilkumar, M. Chandrasekar, S. Subramaniam, S. M. Rangappa, S. Siengchin and N. Rajini, Biofibers and Biopolymers for Biocomposites: Synthesis, Characterization and Properties, 111 (2020).
P. Mareri, S. Bastide, N. Binda and A. Crespy, Compos. Sci. Technol., 58(5), 747 (1998).
B. Yegnanarayana, Artificial neural networks, PHI Learning Pvt. Ltd. (2009).
B. Shahriari, K. Swersky, Z. Wang, R. P. Adams and N. De Freitas, Proc. IEEE, 104(1), 148 (2015).
Y. Yu, X. Si, C. Hu and J. Zhang, Neural Comput., 31, 7 (2019).