XiaoMi-AI文件搜索系统
World File Search System机械行为
机械行为、耐久性和体积稳定性
Michael Aizenshtein，以色列 Jarir Aktaa，德国 Sandro C. Amico，巴西 K. G. Anthymidis，希腊 Santiago Aparicio，西班牙 Renal Backov，法国 Markus Bambach，德国 Amit Bandyopadhyay，美国 Massimiliano Barletta，意大利 Mikhael Bechelany，法国 Bernd-Arno Behrens，德国 Avi Bendavid、澳大利亚 Jamal Berakdar、德国 Jean-Michel Bergheau、法国 G. Bernard-Granger，法国 Giovanni Berselli，意大利 Patrice Berthod，法国 Susmita Bose，美国 H.-G. Brokmeier，德国 Steve Bull，英国 Gianlorenzo Bussetti，意大利 Marco Cannas，意大利 Peter Chang，加拿大 Daolun Chen，加拿大 Gianluca Cicala，意大利 Francesco Colangelo，意大利 Marco Consales，意大利 Gabriel Cuello，法国 Narendra B. Dahotre，美国 João P. Davim，葡萄牙 Angela De Bonis，意大利 Luca De Stefano，意大利 Francesco Delogu，意大利 Maria Laura Di Lorenzo，意大利 Marisa Di Sabatino，挪威 Ana María Díez-Pascual，西班牙 Guru P. Dinda，美国 Nadka Tzankova Dintcheva，意大利 Frederic Dumur，法国 Kaveh Edalati，日本 Philip Eisenlohr，美国 Claude Estournès，法国 Michele Fedel，意大利 Paolo Ferro，意大利 Massimo Fresta，意大利
332：材料的机械行为
22 332问题170 22.1课程组织。。。。。。。。。。。。。。。。。。。。。。。。。170 22.2应力张量。。。。。。。。。。。。。。。。。。。。。。。。。。。170 22.3菌株。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。171 22.4典型模量。。。。。。。。。。。。。。。。。。。。。。。。。。。。171 22.5应力和菌株的基质表示。。。。。。。。。。。。171 22.6其他线性属性。。。。。。。。。。。。。。。。。。。。。。。。173 22.7收益标准。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。174 22.8加强机制。。。。。。。。。。。。。。。。。。。。。177 22.9接触力学。。。。。。。。。。。。。。。。。。。。。。。。。。180 22.10纳米互动。。。。。。。。。。。。。。。。。。。。。。。。。。。181 22.11冰刀力学。。。。。。。。。。。。。。。。。。。。。。。。。。182 22.12Weibull统计。。。。。。。。。。。。。。。。。。。。。。。。。。。185 22.13VisCoalasticity。。。。。。。。。。。。。。。。。。。。。。。。。。。。。185 22.14Noninlinear粘弹性和蠕变。。。。。。。。。。。。。。。。189
MSE 3005：机械行为 - 材料
(1) 运用工程、科学和数学原理识别、制定和解决复杂工程问题的能力。 (2) 运用工程设计来提供满足特定需求的解决方案的能力，同时考虑公共卫生、安全和福利，以及全球、文化、社会、环境和经济因素。 (3) 能够与各种受众进行有效的沟通。 (4) 能够认识到工程情况下的道德和职业责任，并做出明智的判断，这必须考虑工程解决方案在全球、经济、环境和社会背景下的影响。 (5) 能够在团队中有效运作，团队成员共同发挥领导力，营造协作和包容的环境，设立目标，规划任务并实现目标。 (6) 能够开发和进行适当的实验，分析和解释数据，并运用工程判断得出结论。 (7) 能够使用适当的学习策略，根据需要获取和应用新知识。
MATSCEN 6765：材料机械行为
先前课程编号：765 成绩单缩写：MecBehavMats 评分计划：字母等级 课程交付：课堂 课程级别：研究生 学生等级：硕士、博士 课程设置：秋季、春季 灵活安排课程：从不 课程频率：每年 课程长度：14 周 学分：3.0 可重复：否 时间分配：3.0 小时讲座 每周预期课外时间：6.0 评分部分：讲座 考试学分：否 录取条件：否 校外：从不 校园位置：哥伦布 先决条件和共同条件：MatSc&En 研究生学位或讲师许可。排除：不对获得 MATSCEN-765 学分的学生开放 交叉列表：
机器学习预测增材制造部件的机械行为
航空航天 [ 1 ]、汽车 [ 2 ]、电子 [ 3 ]、医药 [ 4 ]、建筑 [ 5 ] 和医疗保健监测 [ 6 ]。根据美国材料试验协会 (ASTM) 的定义，AM 分为七种工艺：粘合剂喷射、板材层压、直接能量沉积、材料挤出、粉末床熔合、材料喷射和大桶光聚合[ 7 ]。基于 AM 的应用，该领域已对不同工程方面进行了研究。例如，最近的研究工作研究了可持续性 [ 8 ]、机械强度 [ 9 ]、环境影响 [ 10 ] 和不同的焊接应用 [ 11 ]。由于 AM 加工参数（例如粉末大小、打印速度、层厚度、激光功率和光栅方向）对 3D 打印部件的结构完整性和机械性能具有至关重要的影响，因此已经使用不同的方法来优化这些参数并预测打印部件的机械行为 [12 e 17]。例如，最近在 [16] 中，基于一系列拉伸试验确定了 3D 打印聚合物复合材料的强度和刚度。此外，还记录了纤维取向对所检查部件机械性能的影响。在 [17] 中，从微观和宏观层面研究了工艺条件对 3D 打印复合材料制造的影响。在此背景下，基于材料挤出技术打印了短碳纤维增强聚合物复合材料。基于图像的统计分析用于微观结构表征（例如纤维体积分数）。此外，还使用蒙特卡洛采样方法来丰富数据集。结果表明，工艺参数对孔隙产生和孔隙体积分数分布起着至关重要的作用。文献调查显示，与实验实践并行，数值模型和不同的人工智能 (AI) 方法也已用于研究 3D 打印部件的性能特征 [18 e 21]。例如，在 [22] 中，采用 3D 有限元模型来确定工艺参数对陶瓷材料 3D 打印中熔池轮廓和焊珠形状的影响。同时，提出了一种基于物理的分析模型来评估增材制造金属零件中的残余应力 [23]。为此，使用温度分布预测来评估该过程的热特征。据报道，热应力用作计算残余应力的输入。这些先前的研究表明，进行的模拟仅集中在 AM 过程的一个或两个方面。由于快速准确地预测所有机械性能和某些制造方法的整个过程是不切实际的，因此人们使用了数据驱动模型，其统一称为机器学习 (ML) [ 24 和 28 ]。机器学习是一门跨学科的学科，是人工智能的一个分支，它通过算法学习促进了低成本计算[29]。在机器学习方法中，不需要一长串基于物理的方程，而是使用以前的数据。基于机器学习方法的优势，它们已在增材制造领域用于不同目的[30e39]。例如，在[30]中，提出了一种混合机器学习算法来推荐3D打印部件的设计特征。通过3D打印汽车部件的设计检验了所提出的方法。经验不足的设计师可以在设计阶段使用所述方法。基于建议的增材制造设计特征，机器学习算法的功能
各向异性复合材料机械行为中的取向效应...
由于复合结构材料对航空航天工业和林业产品工业的重要性日益增加，这些材料的各向异性特性这一主题值得特别关注。材料的各向异性当然意味着其基本机械性能在三个垂直方向上有很大差异。最近与木材一起被归入这一类别的人造材料包括玻璃纤维、金属基纤维复合材料、夹层结构和强化复合材料。在 ASTM 材料科学部的赞助下，举办了一次研讨会，讨论此类材料的增强组分的取向对各向异性复合材料机械行为的性质和影响。其中几篇论文从纯理论和数学的角度考虑了纤维介质的力学和材料正交各向异性的影响。随后的论文分别集中讨论一种特定类型的各向异性材料，借鉴最近的实验和观察结果，阐明了一些基本原理。作者均为各自领域的知名综合专家，代表了政府、私人和教育机构或实验室的各界人士。
加固对AL MMC机械行为的影响 - 关键审查
复合材料目前的需求量很高，因为它们的重量低，耐磨性，刚度和高强度。响应工业需求而增强了功能和结构特征。金属基质复合材料（MMC）由于其高特异性强度而在工程结构应用中很受欢迎，并且迅速被视为传统材料的可行替代品，尤其是在汽车行业中。颗粒加固是改善复合材料的强度，延展性和韧性的方法之一。铝混合金属基质复合材料的市场近年来由于其改善的机械特性而上升，满足了复杂技术应用的需求。选择适当的加固材料组合对这些材料的性能有重大影响。碳纳米管，碳化硅，碳化物碳化物是加固材料中最好的。在这项研究中对这五项增援的机械，形态和摩擦学评估进行了彻底研究。
与橡胶纳米纤维交织的复合层压板的阻尼和机械行为
Povolo M.，MacCaferri E.，Cocchi D.，Brugo T.M.，Mazzocchetti L.，Giorgini L.等。（2021）。与橡胶纳米纤维交织的复合层压板的阻尼和机械行为。复合结构，272，1-8 [10.1016/j.compsctuct.2021.114228]。
基于环氧树脂的成型化合物的高温老化及其对模制电子包装机械行为的影响
基于环氧的成型化合物（EMC）被广泛用于封装汽车电子产品。在高温运行下，EMC被氧化并在机械性能中经历降解。这可以改变封装的电子组件的热机械行为，从而影响其可靠性。Three key aspects of EMC oxidation in the context of microelectronics reliability are pre- sented in this paper – (1) degradation of EMC specimens is studied under high temperature aging at three different temperatures – 170 ° C, 200 ° C, and 230 ° C for up to 1500 hours and the oxidation growth is documented as a function of aging duration and temperature using a fluorescence microscope; （2）使用全氧化标本对氧化EMC（Viz。，弹性模量，热膨胀系系和玻璃过渡温度）的批判性热机械性能进行了实验表征； （3）通过将热老化套件的变形与在治疗周期下的原始包装的变形进行比较，研究了EMC氧化对电子包装的热机械行为的影响。这项研究表明，EMC在暴露于高温的早期（≈24小时）中迅速氧化，氧化层表现出明显不同的热力学特性。因此，热老化发展了较硬的包装行为，这对于准确的可靠性评估至关重要。
基于有限元的机器学习框架，用于预测分娩过程中盆底肌肉的机械行为
医学界一直致力于深入了解影响全球数百万女性的分娩创伤。母体病变的诊断可能具有挑战性，检查费用也很高。为了更好地理解盆底肌肉 (PFM) 损伤的机制，生物力学模拟可能是一种有价值的工具。然而，利用有限元法 (FEM) 进行模拟可能是一个耗时的过程。为了解决这个问题，本研究旨在通过在 FEM 模拟数据上训练 ML 算法来开发一个机器学习 (ML) 框架，以预测分娩期间 PFM 的压力。为了生成用于 ML 算法训练的数据集，使用不同的材料特性进行分娩模拟以表征 PFM。采用了四种 ML 算法，即随机森林 (RF)、极端梯度提升 (XGBT)、支持向量回归 (SVR) 和人工神经网络 (ANN)，考虑两种情况：(1) 肌肉最大拉伸水平的应力预测，以及 (2) 胎儿下降的多个水平。结果表明，ANN 在前者中表现最佳，平均绝对误差 (MAE) 为 0.191 MPa。在后者中，XGBT 对胎儿下降 20 和 35 毫米的误差较低，MAE 值分别为 0.002 和 0.028 MPa。然而，ANN 对 50 和 65 毫米的预测效果更好，MAE 值分别为 0.214 和 0.187 MPa。本研究首次尝试将基于 FEM 的 ML 算法与分娩模拟结合使用，以在常规临床程序中获得近乎实时的预测。