Phương pháp đồng nhất hóa kết hợp định hướng dữ liệu dự báo hệ số dẫn hữu hiệu dọc trục của vật liệu composite dẫn nhiệt thấp
Email:
viettb@utc.edu.vn
Từ khóa:
đồng nhất hóa, hệ số dẫn, học máy, tự tương hợp, phần tử hữu hạn
Tóm tắt
Dự báo hệ số dẫn nhiệt của vật liệu cốt sợi dọc trục là bài toán quan trọng và có ý nghĩa do khả năng áp dụng rộng rãi trong thực tế của dạng kết cấu vật liệu này. Để thực hiện, chúng tôi thiết lập lại công thức đồng nhất hóa cổ điển dựa trên mô hình tự tương hợp tổng quát với một số thông số tự do. Tiếp theo, chúng tôi sẽ xây dựng cơ sở dữ liệu với 1700 dữ liệu dựa trên phương pháp phần tử hữu hạn đồng nhất hóa tuần hoàn với tỉ lệ tương phản của hệ số dẫn pha cốt trên pha nền biến đổi từ 1 tới 0, và tỉ lệ thể tích của pha cốt từ 0 tới độ chặt tối đa. Việc kết hợp giữa tập dữ liệu và mô hình tự tương hợp tổng quát cho phép xác định mối quan hệ số giữa thông số tự do với đầu vào của vật liệu, từ đó xây dựng được công thức giải tích xấp xỉ. Kết quả của nghiên cứu cho thấy, việc kết hợp hàm xấp xỉ với mô hình giải tích gốc, cho phép thu được một mô hình giải tích đồng nhất hóa kết hợp đơn giản, tường minh, dễ áp dụng, cho phép dự báo rất tốt các kết quả tính toánTài liệu tham khảo
[1]. K. Tran-Quoc, L.B. Nguyen, V.H. Luong, H. Nguyen-Xuan, Machine learning for predicting mechanical behavior of concrete beams with 3D printed TPMS, Vietnam Journal of Mechanics, 44 (2022) 538–584. https://doi.org/10.15625/0866-7136/17999
[2]. S. Torquato, Random Heterogeneous Materials, Interdisciplinary Applied Mathematics, Springer-Verlag, New York, 2002. https://doi.org/10.1007/978-1-4757-6355-3
[3]. S. Torquato, Morphology and effective properties of disordered heterogeneous media, International Journal of Solids and Structures, 35 (1998) 2385–2406. https://doi.org/10.1016/S0020-7683(97)00142-X
[4]. D.C. Pham, S. Torquato, Strong-contrast expansions and approximations for the effective conductivity of isotropic multiphase composites, Journal of Applied Physics, 94 (2003) 6591–6602. https://doi.org/10.1063/1.1619573
[5]. A. Kalamkarov, I. Andrianov, V. Danishevskyy, Asymptotic Homogenization of Composite Materials and Structures, Applied Mechanics Reviews, 62 (2009). https://doi.org/10.1115/1.3090830
[6]. R. Ewing, O. Iliev, R. Lazarov, I. Rybak, J. Willems, A Simplified Method for Upscaling Composite Materials with High Contrast of the Conductivity, SIAM J. Sci. Comput., 31 (2009) 2568–2586. https://doi.org/10.1137/080731906
[7]. M. Bornert, C. Stolz, A. Zaoui, Morphologically representative pattern-based bounding in elasticity, Journal of the Mechanics and Physics of Solids, 44 (1996) 307–331. https://doi.org/10.1016/0022-5096(95)00083-6
[8]. B.-V. Tran, A simple model to predict effective conductivity of multicomponent matrix-based composite materials with high volume concentration of particles, Composites Part B: Engineering, (2019) 106997. https://doi.org/10.1016/j.compositesb.2019.106997
[9]. A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd edition, O’Reilly Media, (2017).
[10]. B.-A. Le, V.-H. Vu, S.-Y. Seo, B.-V. Tran, T. Nguyen-Sy, M.-C. Le, T.-S. Vu, Predicting the Compressive Strength and the Effective Porosity of Pervious Concrete Using Machine Learning Methods, KSCE J Civ Eng., 26 (2022) 4664–4679. https://doi.org/10.1007/s12205-022-1918-z
[2]. S. Torquato, Random Heterogeneous Materials, Interdisciplinary Applied Mathematics, Springer-Verlag, New York, 2002. https://doi.org/10.1007/978-1-4757-6355-3
[3]. S. Torquato, Morphology and effective properties of disordered heterogeneous media, International Journal of Solids and Structures, 35 (1998) 2385–2406. https://doi.org/10.1016/S0020-7683(97)00142-X
[4]. D.C. Pham, S. Torquato, Strong-contrast expansions and approximations for the effective conductivity of isotropic multiphase composites, Journal of Applied Physics, 94 (2003) 6591–6602. https://doi.org/10.1063/1.1619573
[5]. A. Kalamkarov, I. Andrianov, V. Danishevskyy, Asymptotic Homogenization of Composite Materials and Structures, Applied Mechanics Reviews, 62 (2009). https://doi.org/10.1115/1.3090830
[6]. R. Ewing, O. Iliev, R. Lazarov, I. Rybak, J. Willems, A Simplified Method for Upscaling Composite Materials with High Contrast of the Conductivity, SIAM J. Sci. Comput., 31 (2009) 2568–2586. https://doi.org/10.1137/080731906
[7]. M. Bornert, C. Stolz, A. Zaoui, Morphologically representative pattern-based bounding in elasticity, Journal of the Mechanics and Physics of Solids, 44 (1996) 307–331. https://doi.org/10.1016/0022-5096(95)00083-6
[8]. B.-V. Tran, A simple model to predict effective conductivity of multicomponent matrix-based composite materials with high volume concentration of particles, Composites Part B: Engineering, (2019) 106997. https://doi.org/10.1016/j.compositesb.2019.106997
[9]. A. Géron, Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd edition, O’Reilly Media, (2017).
[10]. B.-A. Le, V.-H. Vu, S.-Y. Seo, B.-V. Tran, T. Nguyen-Sy, M.-C. Le, T.-S. Vu, Predicting the Compressive Strength and the Effective Porosity of Pervious Concrete Using Machine Learning Methods, KSCE J Civ Eng., 26 (2022) 4664–4679. https://doi.org/10.1007/s12205-022-1918-z
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
03/07/2023
Nhận bài sửa
25/08/2023
Chấp nhận đăng
30/08/2023
Xuất bản
15/10/2023
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Lê Cảnh, H., Lê Bá, A., Bùi Thị, L., & Trần Bảo, V. (1697302800). Phương pháp đồng nhất hóa kết hợp định hướng dữ liệu dự báo hệ số dẫn hữu hiệu dọc trục của vật liệu composite dẫn nhiệt thấp. Tạp Chí Khoa Học Giao Thông Vận Tải, 74(8), 934-945. https://doi.org/10.47869/tcsj.74.8.7
Số lần xem tóm tắt
112
Số lần xem bài báo
84
