論文の概要: Evolving Genetic Programming Tree Models for Predicting the Mechanical Properties of Green Fibers for Better Biocomposite Materials
- arxiv url: http://arxiv.org/abs/2404.07213v1
- Date: Tue, 20 Feb 2024 16:55:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 11:58:46.143388
- Title: Evolving Genetic Programming Tree Models for Predicting the Mechanical Properties of Green Fibers for Better Biocomposite Materials
- Title（参考訳）: 優れたバイオコンポジット材料のためのグリーンファイバーの力学特性予測のための遺伝的プログラミングツリーモデルの開発
- Authors: Faris M. AL-Oqla, Hossam Faris, Maria Habib, Pedro A. Castillo-Valdivieso,
- Abstract要約: 本研究は, 天然繊維の力学特性を予測するために, 革新的な遺伝的プログラミングツリーモデルを提案する。
セルロース,ヘミセルロース,リグニンおよび水分含量および各種天然繊維の微動角を予測モデルとして検討した。
- 参考スコア（独自算出の注目度）: 3.9941378041091338
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advanced modern technology and industrial sustainability theme have contributed implementing composite materials for various industrial applications. Green composites are among the desired alternatives for the green products. However, to properly control the performance of the green composites, predicting their constituents properties are of paramount importance. This work presents an innovative evolving genetic programming tree models for predicting the mechanical properties of natural fibers based upon several inherent chemical and physical properties. Cellulose, hemicellulose, lignin and moisture contents as well as the Microfibrillar angle of various natural fibers were considered to establish the prediction models. A one-hold-out methodology was applied for training/testing phases. Robust models were developed to predict the tensile strength, Young's modulus, and the elongation at break properties of the natural fibers. It was revealed that Microfibrillar angle was dominant and capable of determining the ultimate tensile strength of the natural fibers by 44.7% comparable to other considered properties, while the impact of cellulose content in the model was only 35.6%. This in order would facilitate utilizing artificial intelligence in predicting the overall mechanical properties of natural fibers without experimental efforts and cost to enhance developing better green composite materials for various industrial applications.
- Abstract（参考訳）: 先端技術と工業サステナビリティのテーマは、様々な産業応用のための複合材料の実装に貢献してきた。
グリーンコンポジットは、グリーン製品の望ましい代替品の1つである。
しかし, グリーンコンポジットの性能を適切に制御するためには, 成分特性の予測が最重要である。
本研究は, 天然繊維の力学特性を, いくつかの化学的, 物理的性質に基づいて予測するための, 革新的な遺伝的プログラミングツリーモデルを提案する。
セルロース,ヘミセルロース,リグニンおよび水分含量および各種天然繊維の微動角を予測モデルとして検討した。
トレーニング/テストフェーズにワンホールアウトの方法論が適用されました。
天然繊維の引張強度,ヤング率,破壊特性の伸びを予測するためにロバストモデルを開発した。
マイクロフィブリラー角が支配的であり, 天然繊維の究極引張強度を44.7%, セルロース含有量の影響は35.6%であった。
これにより、実験的な努力なしに天然繊維の全体的な機械的特性を予測し、様々な産業用途により良いグリーン複合材料を開発するためのコストを抑えることができる。
関連論文リスト
- Foundation Model for Composite Materials and Microstructural Analysis [49.1574468325115]
複合材料に特化して設計された基礎モデルを提案する。
我々のモデルは、頑健な潜伏特性を学習するために、短繊維コンポジットのデータセット上で事前訓練されている。
転送学習中、MMAEはR2スコアが0.959に達し、限られたデータで訓練しても0.91を超えている均質化剛性を正確に予測する。
論文 参考訳（メタデータ） (2024-11-10T19:06:25Z) - Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Molecule Design by Latent Prompt Transformer [76.2112075557233]
本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。
本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
論文 参考訳（メタデータ） (2024-02-27T03:33:23Z) - MatterGen: a generative model for inorganic materials design [20.119976243451216]
本稿では,周期表上で安定かつ多様な無機物質を生成するモデルであるMatterGenを提案する。
MatterGenが生成した以前の生成モデルと比較すると、新規で安定な構造になる確率は2倍以上である。
磁気密度の高い構造と,サプライチェーンリスクの低い化学組成を兼ね備えた多目的材料設計能力を実証した。
論文 参考訳（メタデータ） (2023-12-06T18:52:16Z) - Deep Learning Approaches for Dynamic Mechanical Analysis of Viscoelastic
Fiber Composites [0.0]
強化ポリマー(RP)複合材料は、快適性、安全性、エネルギー効率を高めるために不可欠である。
マシンラーニング(ML)を使用して、マイクロ構造の設計と理解を迅速化することへの関心が高まっています。
本稿では, 深層ニューラルネットワークを用いて微細構造を機械的特性にマッピングし, プロセスの高速化と, 所望の特性から微細構造の生成を可能にすることを目的とする。
論文 参考訳（メタデータ） (2023-10-20T23:33:27Z) - Scalable Diffusion for Materials Generation [99.71001883652211]
我々は任意の結晶構造(ユニマット)を表現できる統一された結晶表現を開発する。
UniMatはより大型で複雑な化学系から高忠実度結晶構造を生成することができる。
材料の生成モデルを評価するための追加指標を提案する。
論文 参考訳（メタデータ） (2023-10-18T15:49:39Z) - Crystal-GFN: sampling crystals with desirable properties and constraints [103.79058968784163]
本稿では,結晶構造の生成モデルであるCrystal-GFNを紹介する。
本稿では,MatBenchで学習した新しいプロキシ機械学習モデルにより予測された結晶構造の原子1個あたりの生成エネルギーを目的として利用する。
その結果、Crystal-GFNは低(中間-3.1 eV/原子)で生成エネルギーが予測される非常に多様な結晶をサンプリングできることが示された。
論文 参考訳（メタデータ） (2023-10-07T21:36:55Z) - Generative modeling, design and analysis of spider silk protein
sequences for enhanced mechanical properties [4.933851214936362]
そこで本研究では,新しいクモの糸状タンパク質配列を設計するための多言語モデルを提案する。
このモデルは、関連する繊維レベルの力学的性質が存在する1000個の主要なアンパルススパイドリン (MaSp) 配列に微調整される。
論文 参考訳（メタデータ） (2023-09-18T21:38:40Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Thermodynamics-based Artificial Neural Networks (TANN) for multiscale
modeling of materials with inelastic microstructure [0.0]
マルチスケールの均質化手法は、非弾性材料のマクロ力学的挙動の信頼性と正確な予測を行うためにしばしば用いられる。
ディープラーニングに基づくデータ駆動型アプローチは、アドホックな法則や高速な数値手法に代わる、有望な代替手段として台頭している。
本稿では,非弾性・複雑な構造を持つ機械材料のモデリングのための熱力学に基づくニューラルネットワーク(TANN)を提案する。
論文 参考訳（メタデータ） (2021-08-30T11:50:38Z) - Predicting Mechanical Properties from Microstructure Images in
Fiber-reinforced Polymers using Convolutional Neural Networks [8.023452876968694]
本稿では,繊維強化ポリマー試料の2次元分割トモグラフィ画像の応力場予測のために,ScressNetから修正した完全畳み込みニューラルネットワークについて検討する。
トレーニングされたモデルは、通常のラップトップ上で1回のフォワードパスで数秒以内に予測を行うことができ、ハイパフォーマンスなコンピューティングクラスタ上で完全な有限要素シミュレーションを実行するのに92.5時間かかる。
論文 参考訳（メタデータ） (2020-10-07T22:15:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。