MARC

 008260126s2024        us                              c    eng  d
■001000017360679
■00520260202105604
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265407207
■035    ▼a(MiAaPQ)AAI32316072
■035    ▼a(MiAaPQ)GeorgiaTech77008
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a540
■1001  ▼aFrawley,  Keara  G.
■24510▼aDesign  of  Materials  Tolerant  to  Dynamic  Tensile  Spall  Failure
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a165  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Ramprasad,  Rampi;Thadhani,  Naresh.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aMaterials  tolerant  to  dynamic  tensile  or  "spall"  failure  are  of  interest  for  applications  involving  high-velocity  impact  and  blast  loading.  Metals  and  polymers  generally  have  favorable  responses  to  such  extreme  conditions  and  are  therefore  useful  materials  in  shock-absorbing  applications,  such  as  the  automotive  industry,  body  armor,  or  other  protection  and  shielding  devices.  The  complex  stress  states  and  high  strain  rates  involved  in  events  leading  to  spall  failure  are  typically  different  from  the  conditions  under  which  most  material  testing  is  conducted  to  determine  mechanical  properties.  Hence,  it  has  been  difficult  to  predict  how  spall  strength,  i.e.,  resistance  to  dynamic  tensile  failure,  relates  with  typical  mechanical  properties  such  as  hardness,  toughness,  strength,  and  moduli.  This  work  focuses  on  utilizing  machine  learning  (ML)  to  determine  the  relationship  between  these  key  properties  and  spall  strength,  with  the  goal  of  developing  predictive  models  and  a  better  understanding  of  the  spall  response  behavior  of  metals,  alloys,  and  polymers.Various  methods  were  utilized  to  generate  databases  of  spall  strengths  and  key  properties  of  metals  and  polymers  through  literature  surveys  and  experiments.  Sources  included  peer-reviewed  journal  articles  and  gas  gun  plate-on-plate  impact  experiments.  Data  analytic  methods,  such  as  the  Pearson  correlation  and  the  coefficient  of  determination,  were  used  to  correlate  the  properties  to  spall  strength.The  first  main  result  of  this  work  is  a  model  that  predicts  the  spall  strength  of  metals  and  alloys.  The  study  provides  design  guidelines  for  efficiently  screening  metals  based  on  commonly  available  mechanical  properties  that  most  influence  the  spall  strength  values,  minimizing  reliance  on  intensive  experimental  procedures.  Furthermore,  the  model  has  been  extended  to  predict  the  spall  strength  values  of  a  class  of  complex  alloys  for  which  there  is  limited  data  available:  high  entropy  alloys  (HEAs).  The  second  main  result  is  a  database  of  the  spall  strengths  of  23  unique  polymers,  either  experimentally  determined  in  this  work  or  available  in  the  literature.  This  database  also  includes  the  available  mechanical  and  physical  properties  of  the  various  polymers,  and  correlates  those  to  predict  the  spall  strength  based  on  a  physically-based  energy  balance  model  available  in  the  literature.  Additionally,  an  initial  exploration  using  Molecular  Dynamics  (MD)  calculations  was  conducted  on  a  simple  polymer,  polyethylene,  to  evaluate  how  this  computational  approach  might  perform  across  a  broader  range  of  polymers.  By  learning  more  about  the  influence  of  material  properties  on  the  spall  strengths  of  different  classes  of  materials,  we  can  better  understand  and  predict  the  spall  response  of  untested  materials.
■590    ▼aSchool  code:  0078.
■650  4▼aCrystal  structure
■650  4▼aMechanical  properties
■650  4▼aPolymers
■650  4▼aPolyethylene
■650  4▼aTitanium  alloys
■650  4▼aYield  stress
■650  4▼aAluminum
■650  4▼aEnergy
■650  4▼aDeformation
■650  4▼aMaterials  science
■650  4▼aMechanics
■650  4▼aPolymer  chemistry
■690    ▼a0791
■690    ▼a0800
■690    ▼a0794
■690    ▼a0346
■690    ▼a0495
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360679▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서