Umeå universitets logga

umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Stochastic interpretable machine learning based multiscale modeling in thermal conductivity of Polymeric graphene-enhanced composites
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för tillämpad fysik och elektronik. Institute of Structural Mechanics, Bauhaus-Universität Weimar, Weimar, Germany.ORCID-id: 0000-0002-7171-1219
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för tillämpad fysik och elektronik.
Umeå universitet, Teknisk-naturvetenskapliga fakulteten, Institutionen för tillämpad fysik och elektronik.ORCID-id: 0000-0002-8704-8538
Institute of Photonics, Gottfried Wilhelm Leibniz Universität Hannover, Hannover, Germany.
Visa övriga samt affilieringar
2024 (Engelska)Ingår i: Composite structures, ISSN 0263-8223, E-ISSN 1879-1085, Vol. 327, artikel-id 117601Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

We introduce an interpretable stochastic integrated machine learning based multiscale approach for the prediction of the macroscopic thermal conductivity in Polymeric graphene-enhanced composites (PGECs). This method encompasses the propagation of uncertain input parameters from the meso to macro scale, implemented through a foundational bottom-up multi-scale framework. In this context, Representative Volume Elements in Finite Element Modeling (RVE-FEM) are employed to derive the homogenized thermal conductivity. Besides, we employ two sets of techniques: Regression-tree-based methods (Random Forest and Gradient Boosting Machine) and Neural networks-based approaches (Artificial Neural Networks and Deep Neural Networks). To ascertain the relative influence of factors on output estimations, the SHapley Additive exPlanations (SHAP) algorithm is integrated. This interpretable machine learning methodology demonstrates strong alignment with published experimental data. It holds promise as an efficient and versatile tool for designing new composite materials tailored to applications involving thermal management.

Ort, förlag, år, upplaga, sidor
Elsevier, 2024. Vol. 327, artikel-id 117601
Nyckelord [en]
Polymeric graphene-enhanced composites (PGECs), Interpretable Integrated Learning, Stochastic multi-scale modeling, Thermal properties, Data-driven technique
Nationell ämneskategori
Kompositmaterial och -teknik Teknisk mekanik
Identifikatorer
URN: urn:nbn:se:umu:diva-215912DOI: 10.1016/j.compstruct.2023.117601ISI: 001102527500001Scopus ID: 2-s2.0-85175088621OAI: oai:DiVA.org:umu-215912DiVA, id: diva2:1807939
Forskningsfinansiär
Kempestiftelserna, JCK-2136EU, Horisont 2020, 101016854J. Gust. Richert stiftelse, 2023-00884Vetenskapsrådet, 2018-05973Vetenskapsrådet, 2022-06725Tillgänglig från: 2023-10-29 Skapad: 2023-10-29 Senast uppdaterad: 2024-07-04Bibliografiskt granskad

Open Access i DiVA

Fulltext saknas i DiVA

Övriga länkar

Förlagets fulltextScopus

Person

Liu, BokaiLu, WeizhuoOlofsson, Thomas

Sök vidare i DiVA

Av författaren/redaktören
Liu, BokaiLu, WeizhuoOlofsson, Thomas
Av organisationen
Institutionen för tillämpad fysik och elektronik
I samma tidskrift
Composite structures
Kompositmaterial och -teknikTeknisk mekanik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 233 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf