MARC

 008260126s2024        us                              c    eng  d
■001000017361021
■00520260202105653
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265453020
■035    ▼a(MiAaPQ)AAI32409644
■035    ▼a(MiAaPQ)124524
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aBansal,  Parth.
■24510▼aMultiphysics-Informed  Machine  Learning  Platform  for  Interface  Study
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a91  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Li,  Yumeng.
■5021  ▼aThesis  (Ph.D.I.E.)--University  of  Illinois  at  Urbana-Champaign,  2024.
■520    ▼aWith  the  increasing  focus  on  sustainable  technologies  both  in  terms  of  newer  developments  and  increasing  the  life  of  existing  ones,  there  is  a  need  to  efficiently  and  accurately  assess  these  technological  systems.  This  can  be  achieved  through  using  less  expensive  and  really  accurate  finite  element  computational  models.  However,  these  Monte-Carlo  simulations  are  still  too  computationally  expensive  and  require  a  lot  of  resources.  Hence,  this  thesis  develops  finite  element  models  that  work  together  with  machine  learning  techniques  to  provide  a  robust  framework  to  perform  various  studies  such  as  uncertainty  quantification,  state  of  health  prognostics  and  design  of  different  physical  and  electrical  systems.  The  main  contribution  of  this  thesis  is  to  demonstrate  frameworks  that  can  be  used  to  evaluate  the  system  performance  (e.g.  corrosion  related  material  loss,  capacity  loss  in  batteries)  and  help  in  designing  better  systems  by  understanding  and  quantifying  the  sources  of  uncertainty  in  them  by  the  use  of  physics-informed  machine  learning.The  first  step  in  this  process  of  physics-informed  machine  learning  is  to  develop  the  finite  element  models,  whose  results  are  used  to  inform  or  train  the  machine  learning  algorithms.  This  thesis  focuses  on  two  main  systems:  galvanic  corrosion  in  dissimilar  material  joints  and  the  capacity  fade  in  silicon  anode  based  lithium-ion  batteries.  The  finite  element  models  for  both  these  processes  include  a  variety  of  failure  modes  that  can  accurately  and  reliably  predict  the  system  life  cycle.  Experimental  work  is  also  used  to  partially  verify  the  finite  element  models.                        The  results  from  these  finite  element  models  are  then  used  with  machine  learning  models  such  as  Gaussian  Process  Regression  models  to  reduce  the  overall  cost  burden.  Processes  such  as  probablistic-confidence  based  adaptive  sampling  techniques  can  further  reduce  the  computational  costs  by  thoroughly  exploring  the  design  space  in  an  efficient  manner.  The  trained  machine  learning  models  can  then  be  used  for  a  variety  of  applications  such  as  state  of  health  analysis,  uncertainty  quantification  and  better  system  design.
■590    ▼aSchool  code:  0090.
■650  4▼aIndustrial  engineering
■650  4▼aElectrical  engineering
■653    ▼aCorrosion
■653    ▼aLi-ion  battery
■653    ▼aHealth  prognostics
■653    ▼aElectrical  systems
■690    ▼a0546
■690    ▼a0544
■690    ▼a0800
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bIndustrial&Enterprise  Sys  Eng.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0090
■791    ▼aPh.D.I.E.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17361021▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서