Scribd
Importer
6 vues1 page

Modélisation avancée du polystyrène par IA

Ce document présente une technique innovante combinant simulations moléculaires et apprentissage automatique pour analyser le comportement du polystyrène sous contraintes mécaniques. À travers 42 simulations, une base de données de 30 000 ensembles a été créée, permettant de développer un modèle hyperélastique précis. Cette approche ouvre de nouvelles perspectives pour la caractérisation des propriétés mécaniques des polymères et leur modélisation avancée.

Transféré par

fulgence badiane
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
6 vues1 page

Modélisation avancée du polystyrène par IA

Ce document présente une technique innovante combinant simulations moléculaires et apprentissage automatique pour analyser le comportement du polystyrène sous contraintes mécaniques. À travers 42 simulations, une base de données de 30 000 ensembles a été créée, permettant de développer un modèle hyperélastique précis. Cette approche ouvre de nouvelles perspectives pour la caractérisation des propriétés mécaniques des polymères et leur modélisation avancée.

Transféré par

fulgence badiane
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Cette technique fusionne habilement simulations moléculaires (MD) et techniques d'apprentissage

automatique pour approfondir notre compréhension du comportement du polystyrène (PS) sous


diverses contraintes mécaniques. À travers une série de 42 simulations méticuleusement conçues,
couvrant un éventail de scénarios allant de la tension uniaxiale à la compression, nous avons généré
une riche base de données, totalisant 30 000 ensembles. Ces données détaillent la réponse du
matériau en termes de contrainte moyenne en fonction de la déformation et d'écart-type de
contrainte en fonction de la déformation. En procédant à une analyse minutieuse de ces paramètres,
un modèle hyperélastique robuste, offrant une représentation précise du comportement du PS a été
développé. Cette approche innovante, éliminant les contraintes inhérentes aux méthodes
expérimentales traditionnelles, ouvre de nouvelles perspectives dans la caractérisation avancée des
propriétés mécaniques des polymères, posant ainsi les bases pour des applications prometteuses
dans le domaine de la modélisation des matériaux. À une échelle atomique, la contrainte d'ingénierie
peut être caractérisée en utilisant le théorème du virial, formulé de la manière suivante :

[Equation sigma MD]

Puis ces données seront utilisées pour entrainer un réseau de neurone (NN) qui prendra en entrée les
données suivantes : Contraintes moyennes en fonction des déformations et les variances de ces
contraintes en fonction des déformations. Voici l’organigramme de la conception du réseau de
neurone (NN) :

[Photo]

La sortie de ce réseau de neurone donnera

Vous aimerez peut-être aussi