دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Machine Learning Algorithm for Fatigue Fields in Additive Manufacturing
دانلود کتاب الگوریتم یادگیری ماشین برای میدان های خستگی در ساخت افزودنی
مشخصات کتاب
Machine Learning Algorithm for Fatigue Fields in Additive Manufacturing
ویرایش:
نویسندگان: Mustafa Mamduh Mustafa Awd
سری: Werkstofftechnische Berichte │ Reports of Materials Science and Engineering
ISBN (شابک) : 3658402369, 9783658402365
ناشر: Springer Vieweg
سال نشر: 2023
تعداد صفحات: 288
[289]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
قیمت کتاب (تومان) : 54,000
در صورت تبدیل فایل کتاب Machine Learning Algorithm for Fatigue Fields in Additive Manufacturing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب الگوریتم یادگیری ماشین برای میدان های خستگی در ساخت افزودنی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب الگوریتم یادگیری ماشین برای میدان های خستگی در ساخت افزودنی
شکست خستگی سازه‌های مورد استفاده در حمل‌ونقل، صنعت، تجهیزات پزشکی و قطعات الکترونیکی نیازمند ایجاد پیوندی بین ویژگی‌های آزمایشی پیشرفته و ابزارهای عددی مبتنی بر احتمالات و ابزارهای هوشمند مصنوعی است. فیزیک درگیر در این زنجیره فرآیند از نظر محاسباتی برای درک با استفاده از روش‌های محاسبات سنتی ممنوع است. با استفاده از یادگیری ماشین و آمار بیزی، یک تخمین مرتبط با نقص از قدرت خستگی ایجاد شد. خستگی، که یک متغیر تصادفی است، در یک الگوریتم یادگیری ماشین مبتنی بر بیزی مورد مطالعه قرار می‌گیرد. مدل تنش-عمر بر اساس شرایط سازگاری عمر و توزیع بار استفاده شد. ارزیابی قدرت خستگی مرتبط با نقص با استفاده از یادگیری ماشین پیشنهادی و الگوریتم‌های آمار بیزی ایجاد شد. این نگاشت ویژگی های خستگی ساختاری و ناشی از فرآیند را در نمودار چگالی بار مستقل از هندسه در طیف گسترده ای از رژیم های خستگی فعال کرد.
توضیحاتی درمورد کتاب به خارجی
Fatigue failure of structures used in transportation, industry, medical equipment, and electronic components needs to build a link between cutting-edge experimental characterization and probabilistically grounded numerical and artificially intelligent tools. The physics involved in this process chain is computationally prohibitive to comprehend using traditional computation methods. Using machine learning and Bayesian statistics, a defect-correlated estimate of fatigue strength was developed. Fatigue, which is a random variable, is studied in a Bayesian-based machine learning algorithm. The stress-life model was used based on the compatibility condition of life and load distributions. The defect-correlated assessment of fatigue strength was established using the proposed machine learning and Bayesian statistics algorithms. It enabled the mapping of structural and process-induced fatigue characteristics into a geometry-independent load density chart across a wide range of fatigue regimes.
فهرست مطالب
Foreword Preface Abstract Kurzfassung Contents Abbreviations List of symbols Latin symbols Greek symbols List of Figures List of Tables 1 Introduction and Objectives 2 Background on Process-Property Relationship 2.1 Fatigue Strength of Additively Processed Al and Ti Alloys 2.1.1 Aluminum Alloys (Al) 2.1.2 Titanium Alloys (Ti) 2.2 Fatigue Analysis and Modeling 2.2.1 Deterministic and Probabilistic Approaches to Fatigue 2.2.2 Process and Microstructural Simulation 3 Training and Testing Data 3.1 Aluminum and Titanium Lightweight Alloys 3.1.1 Aluminum (Al) Alloys 3.1.2 Titanium (Ti) Alloys 3.2 Additive Processing and Functional Grading 3.2.1 Principles of Additive Manufacturing 3.2.2 Functional Grading and Local Heat Treatments 3.3 Material Characterization on Multiscale 3.3.1 Structural Properties 3.3.2 Microstructural Properties 3.3.3 Quasi-static Properties 3.3.4 Fatigue Strength 4 Estimation of Lifetime Trends Based on FEM 4.1 Linear Elastic Fracture Mechanics 4.1.1 Description of Crack Tip State 4.1.2 Fatigue Crack Propagation 4.2 Extended Finite Element Method 4.2.1 SIF Analysis Using XFEM and Contour Integral Method 4.2.2 Fatigue Crack Propagation with XFEM 4.3 Visualization and Post-processing 4.3.1 Virtual Crack Closure Technique (VCCT) 4.3.2 Level Set Method 4.3.3 Damage Initiation Criteria 4.3.4 Model Establishment and Simulation 4.4 Modeling of Cyclic Deformation 4.4.1 Continuum Material Models 4.4.2 Implementation and Solution Optimization 4.4.3 Multiaxial Deformation Sensitivity 4.5 Shear-based Fatigue Damage Quantification 4.5.1 Fatemi-Socie Planar Fatigue Damage Model 4.5.2 Adaptation of the Model to VHCF Application 5 Bayesian Inferences of Fatigue-related Influences 5.1 Phenomenological Statistical Learning 5.1.1 Extreme Value Statistics in Fatigue 5.1.2 Parameter Estimation 5.1.3 Application of the Scheme 5.2 A Two-parameter Bayesian Inference 5.2.1 Statistical Parameter Mapping 5.2.2 Joint Probability of Fatigue-related Influences 5.2.3 Belief Function of Fatigue Strength 5.2.4 Estimation of Error 5.3 Influence of Structure and Process on Fatigue Strength 5.3.1 Remnant Defects 5.3.2 Width of Prior β Grains 5.3.3 Energy Density Ev 6 Summary and Outlook 6.1 Processing 6.2 Mechanical and Structural Properties 6.3 Fracture Mechanics 6.4 Cyclic Plasticity 6.5 Bayesian Statistics 6.6 Outlook References
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Flash 8: Projects for Learning Animation and Interactivity
دانلود کتاب Skapelsekonspirationen : fundamentalisternas angrepp på utvecklingsläran
دانلود کتاب Taming Manhattan: Environmental Battles in the Antebellum City
دانلود کتاب The Autumn of Dictatorship: Fiscal Crisis and Political Change in Egypt under Mubarak
