使用深层多层感知子 (MLP) 技术对自然纤维增强塑料复合材料的特性估计
T Sathish1, Prashant Sunagar2, Vikash Singh3
1Department of Mechanical Engineering, Saveetha School of Engineering, SIMATS, Chennai, Tamil Nadu, India.
Chemosphere
|June 28, 2023
概括
一种新的深层多层感知子 (Deep MLP) 准确地预测了聚合物矩阵复合材料 (PMC) 的性能. 这种先进的机器学习模型可以在没有物理制造的情况下增强天然纤维增强分析.
科学领域:
- 材料科学 材料科学 材料科学
- 复合材料 复合材料 复合材料
- 机器学习 机器学习
背景情况:
- 具有天然纤维增强的聚合物矩阵复合材料 (PMC) 对医疗和运输等行业至关重要.
- 为PMC选择最佳的天然纤维具有挑战性,通常依赖于单个参数优化.
- 传统的机器学习很难准确预测PMC的性能.
研究的目的:
- 提出一个深层多层感知器 (Deep MLP) 算法,用于分析天然纤维增强PMC的各种参数.
- 通过修改MLP以大约50个隐藏层来增强PMC性能预测.
- 评估深度MLP在预测机械性能和密度方面的有效性.
主要方法:
- 开发了一个Deep MLP算法,包含大约50个隐藏层.
- 每个隐藏层都涉及评估基础函数和计算基于西格体函数的激活.
- 深度MLP被用来预测拉伸强度,模块,屈曲强度和密度.
主要成果:
- 深度MLP准确地预测了各种PMC参数.
- 性能评估显示准确率为87.2%,精度为87.18%,回忆率为87.22%.
- 与传统方法相比,该模型展示了优越的预测能力.
结论:
- 拟议的深度MLP对于预测天然纤维增强PMC的性能是有效的.
- 这种方法为材料分析提供了物理测试的可行替代方案.
- 该研究强调了深度学习在优化复合材料开发方面的潜力.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
6.6K
06:26Experimental Implementation of a New Composite Fabrication Method: Exposing Bare Fibers on the Composite Surface by the Soft Layer Method
Published on: October 6, 2017
8.4K
