MARC

 008250123s2024        us                              c    eng  d
■001000017161896
■00520250211151459
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384453864
■035    ▼a(MiAaPQ)AAI31297652
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aTamur,  Caglar.
■24510▼aMultiscale  Modeling  of  Polymers:  Fracture  Simulations,  Constitutive  Modeling  and  Crystallization  Analysis
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a107  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Li,  Shaofan.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThe  dissertation  investigates  the  complex  behavior  of  polymers  through  computational  mechanics,  employing  numerical  techniques  that  include  peridynamics  (PD),  finite  element  methods  (FEM),  molecular  dynamics  (MD),  and  deep  learning.  Our  aim  is  to  develop  a  deeper  understanding  of  the  relationship  between  the  polymer  microstructure  and  the  resultant  mechanical  properties,  in  the  context  of  fracture  mechanics,  large  deformation  problems,  and  additive  manufacturing.In  the  second  chapter,  we  introduce  a  numerical  framework  to  simulate  the  fracture  response  of  elastomeric  materials.  The  approach  utilizes  the  bond-based  peridynamics  formulation,  which  is  a  nonlocal  and  meshfree  alternative  to  the  continuum-based  methods.  We  introduced  a  novel  bond  potential  into  the  framework,  based  on  the  non-Gaussian  chain  statistics  theory,  which  treats  the  material  as  a  complex  network  of  randomly  jointed  chains  with  extensible  links.  The  resultant  formulation  is  capable  of  capturing  the  fracture  and  large  deformation  process  of  elastomeric  materials,  as  demonstrated  in  several  numerical  examples  and  comparisons  with  the  experimental  data.The  remaining  chapters  focus  on  the  semicrystalline  polymers  that  are  used  in  additive  manufacturing.  In  the  third  chapter,  we  have  developed  a  constitutive  law  for  crystalline  polymers,  based  on  molecular  dynamics  and  machine  learning.  We  have  collected  data  from  the  MD  simulations  of  Polyamide12  (PA12),  which  is  used  to  train  deep  neural  networks  to  capture  the  mechanical  response  of  the  material.  We  demonstrated  that  this  novel  approach  can  accurately  provide  a  three-dimensional  molecular-level  anisotropic  constitutive  relation  that  can  be  used  in  macroscale  mechanics  methods  such  as  the  FEM.  The  final  chapter  consists  of  an  analysis  of  the  crystallization  of  polymers  during  the  additive  manufacturing  process.  By  incorporating  crystallization  and  melting  models  for  PA12,  we  performed  a  heat  transfer  analysis  using  FEM  to  predict  changes  in  crystallinity  during  the  manufacturing  process,  which  can  help  achieve  the  desired  mechanical  properties  in  the  final  product.
■590    ▼aSchool  code:  0028.
■650  4▼aEngineering
■650  4▼aMechanics
■650  4▼aEnvironmental  engineering
■653    ▼aComputational  mechanics
■653    ▼aDeep  learning
■653    ▼aMolecular  dynamics
■653    ▼aMultiscale  modeling
■653    ▼aPeridynamics
■653    ▼aPolymers
■690    ▼a0543
■690    ▼a0346
■690    ▼a0775
■690    ▼a0537
■71020▼aUniversity  of  California,  Berkeley▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161896▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서