Powiadomienia systemowe
- Sesja wygasła!
- Sesja wygasła!
Tytuł artykułu
Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
Języki publikacji
Abstrakty
Naukowcy nieustannie dążą do lepszego zrozumienia, przewidywania i ulepszania pożądanych właściwości materiałów. Jednym z narzędzi, które można w tym celu wykorzystać, jest sztuczna inteligencja.
Wydawca
Czasopismo
Rocznik
Tom
Strony
22--29
Opis fizyczny
Bibliogr. 18 poz., rys.
Twórcy
autor
- Wydział Budowy Maszyn i Lotnictwa Politechniki Rzeszowskiej
Bibliografia
- 1. Song L. i in.: Prediction of mechanical properties of composite materials using multimodal fusion learning. „Sens. Actuat. A Phys.”, 2023, 358, 114433.
- 2. Vinoth A., Datta S.: Design of the ultrahigh molecular weight polyethylene composites with multiple nanoparticles: An artificial intelligence approach. „J. Compos. Mater.”, 2019, 54, 179-192.
- 3. Daghigh V. i in.: Machine learning predictions on fracture toughness of multiscale bio-nano-composites. „J. Reinf. Plast. Compos.”, 2020, 39, 587-598.
- 4. Ramprasad R. i in.: Machine learning in materials informatics: Recent applications and prospects. „NPJ Comput. Mater.”, 2017, 3, 1-13.
- 5. Liu J. i in.: Machine learning assisted prediction of mechanical properties of graphene/aluminium nanocomposite based on molecular dynamics simulation. „Mater. Des.”, 2022, 213, 110334.
- 6. Cheng W.D. i in.: Mechanical properties prediction for carbon nanotubes/epoxy composites by using support vector regression. „Mod. Phys. Lett. B”, 2015, 29, 1550016.
- 7. Hegde A.L. i in.: Optimization and prediction of mechanical characteristics on vacuum sintered Ti-6Al-4V-SiCp composites using taguchi’s design of experiments, response Surface methodology and random forest regression. „J. Compos. Sci.”, 2022, 6, 339.
- 8. Gorji M.B. i in.: On the potential of recurrent neural networks for modeling path dependent plasticity. „J. Mech. Phys. Solids”, 2020, 143, 103972.
- 9. Mozaffar M. i in.: Deep learning predicts path-dependent plasticity. „Proc. Natl. Acad. Sci. U.S.A.”, 2019, 116, 26414-26420.
- 10. Frankel A.L. i in.: Predicting the mechanical response of oligocrystals with deep learning. „Comput. Mater. Sci.”, 2019, 169, 109099.
- 11. Koeppe A. i in.: Explainable artificial intelligence for mechanics: physics-explaining neural networks for constitutive models. „Front. Mater.”, 2022, 8, 824958.
- 12. Jung J. i in.: Microstructure design using machine learning generated low dimensional and continuous design space. „Materialia”, 2020, 11, 100690.
- 13. Iraki T. i in.: A multi-task learning-based optimization approach for finding diverse sets of material microstructures with desired properties and its application to texture optimization. „J. Intell. Manuf.”, 2023, 1-17.
- 14. Arumugam D., Kiran R.: Compact representation and identification of important regions of metal microstructures using complex-step convolutional autoencoders. „Mater. Des.”, 2022, 223, 111236.
- 15. Kim i in.: Exploration of optimal microstructure and mechanical properties in continuous microstructure space using a variational autoencoder. „Mater. Des.”, 2021, 202, 109544.
- 16. Buehler M.J.: Prediction of atomic stress fields using cycle-consistent adversarial neural networks based on unpaired and unmatched sparse datasets. „Mater. Adv.”, 2022, 3, 6280-6290.
- 17. DeCost B.L. i in.: Exploring the microstructure manifold: Image texture represen-tations applied to ultrahigh carbon steel microstructure. „Acta Mater.”, 133, 2017, 30-40.
- 18. Li W. i in.: Deep transfer learning for ni-based superalloys microstructure recognition on γ′ chase. „Materials”, 2022, 15, 4251.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-6d506af9-5d03-48a8-adcc-c61581dde7af