با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Applying a machine learning interatomic potential to unravel the effects of local lattice distortion on the elastic properties of multi-principal element alloys
استفاده از پتانسیل متقابل یادگیری ماشینی برای آشکار کردن اثرات اعوجاج شبکه محلی بر خصوصیات الاستیک آلیاژهای عنصر چند اصلی-2019 The concept of local lattice distortion (LLD) is of fundamental importance in the understanding of
properties of high-entropy alloys and, more generally, of multi-principal element alloys (MPEAs). Despite
previous experimental and computational efforts, the unambiguous evaluation of the static (due to
atomic size difference) and dynamic (due to thermal fluctuation) LLD is still elusive. Here, as a first step,
we develop a machine learning interatomic potential based on an efficient “learning-on-the-fly” scheme
for CoFeNi, a prototypical ternary MPEA. Using this potential, we perform molecular dynamics simulations
to calculate the elastic moduli of single- and polycrystalline CoFeNi. The results are in excellent
agreement with theoretical and experimental data. As a second step, we design a simulation framework
allowing the determination of the effects of static and dynamic LLD, thermal expansion, and chemical
short-range order on the elastic properties of our prototypical MPEA. The results indicate that not only
the average value of LLD, but also its probability distribution affect the elastic properties of MPEAs. In
addition, we show that a variety of commonly used LLD indicators, e.g., atomic strain, pair distribution
function, and bond-length distribution, correlate with each other. Our results not only shed light on the
of LLD in MPEAs, but also demonstrate the capabilities of our machine learning potential as a powerful
tool for the development and characterization of novel alloys with designed properties. Keywords: Multi-principal element alloys | High-entropy alloys | Elastic properties | Atomistic simulations | Machine learning |
مقاله انگلیسی |
2 |
Machine learning for hierarchical prediction of elastic properties in Fe-Cr-Al system
یادگیری ماشین برای پیش بینی سلسله مراتبی از خواص الاستیک در سیستم Fe-Cr-Al-2019 We apply extremely randomized trees and deep neural network to cluster expansion generated data to construct
the hierarchical model that predicts the ternary properties using machine learning model trained by binary data.
We focus on the elastic properties bulk modulus and shear modulus. By feeding composition and temperature as
features and elastic property as target property into extremely randomized trees, the predictions of ternary alloys
achieve the mean absolute errors of 0.56 GPa and 1.49 GPa in bulk modulus and shear modulus, respectively.
The performance in shear modulus predictions can be improved by adding point probability that characters the
ordering effect into feeding features. We find that the compositions and temperature are key features in bulk
modulus, while compositions, temperature, and the ordering effect are important in shear modulus. Keywords: Machine learning | Elastic properties | Alloy systems |
مقاله انگلیسی |
3 |
روش بیومکانیکی برای بازسازی استخوان در داخل داربست
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 8 - تعداد صفحات فایل doc فارسی: 16 عواملی که به عملکرد مطلوب داربست منجر می گردند، به طور کامل مشخص نشده اند و به همین دلیل کارکرد داربست و عمل در داخل بدن انسان همچنان به صورت گسترده ای از طریق مطالعات آزمایشگاهی و عددی مورد بررسی قرار گرفته است. در این کار، مدل محاسباتی به منظور تجزیه و تحلیل همزمان تجزیه بیولوژیکی داربست و بازسازی استخوان توسعه یافته است. داربست فرض را بر این وا داشته که ساختار متناوب ساخته شده توسط یک عامل حجیم با خواص تناوبی را بیان می سازد. برای نشان دادن حجم عاملی از یک مدل مناسب و مدل استخوانی، بازسازی بافت مکانیکی در آن صورت گرفته که هم ترکیب می شود و هم به پیش بینی بازسازی بافت در داخل داربست می پردازد. تکامل خواص الاستیکی و نفوذپذیری مؤثر رسانه های دوره ای توسط یک روش همگن مجانبی ارزیابی شده است. نتایج طی یک توافق خوب با دیگر داده های محاسباتی و آزمایشی صورت گرفته است، که در آن یافته های مربوطه در شرایط بارگذاری طبیعی (1 مگاپاسکال) با افزایش تخلخل داربست منجر به درصد بیشتری از استخوان ها خواهند شد، در حالیکه هنگام مقایسه داربست در محدوده مقادیر متخلخل 50٪، 65٪ و 80٪ با بار اعمال شده از 2 مگاپاسکال، یک استخوان برتر برای یکی از 65٪ بقیه پیش بینی شده بود. این نشان می دهد که برای مقادیر بالاتر ، تخلخل باید متعادل با عامل پایدار مکانیکی باشد. مدل محاسباتی یک ابزار مفید را در جهت ارائه بینش جدیدی در طراحی و کارکرد داربست توسعه داده است.
کلیدواژه ها: تخته بندی استخوان | بیو تجزیه | زخم استخوان | هم جنس سازی جانشینی استخوان |
مقاله ترجمه شده |