ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
The aerospace industry increasingly relies on modeling to accelerate composite structure development. While finite element methods (FEM) effectively simulate impact damage in carbon fiber-reinforced polymers (CFRPs), they demand specialized expertise and substantial computational resources. Machine Learning (ML) offers an efficient complement to traditional simulations while maintaining physical interpretability. This research investigates Gradient Boosting and Neural Networks for predicting impact damage characteristics (delamination area, indentation depth, residual indentation, and perforation) and compression-after-impact strength in CFRPs. A comprehensive dataset of 500 samples was developed, incorporating mechanical parameters derived from classical laminate theory. Results demonstrate that Gradient Boosting achieves superior accuracy for well-defined experimental measurements, while Neural Networks better handle outputs with greater experimental dispersion. SHapley Additive exPlanations (SHAP) analysis confirms the models’ physical interpretability, with feature importance rankings aligning with established composite laminate theory, thereby validating their potential for damage tolerance assessment in aerospace applications.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 71/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Mechanical Behavior of Composites · Machine Learning in Materials Science · Composite Material Mechanics
บทบาทของนักวิจัยและสถาบันไทย
L. Mezeix · Burapha University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง