MARC

 008260126s2024        us                              c    eng  d
■001000017360336
■00520260202105509
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263327026
■035    ▼a(MiAaPQ)AAI32308078
■035    ▼a(MiAaPQ)GeorgiaTech78581
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a300
■1001  ▼ada  Senhora,  Fernando  Vasconcelos.
■24510▼aMulti-Scale  Architected  Material  Structural  Optimization  for  Lightweight  Structures  and  Elasto-Static  Cloaking:  from  Design  to  Additive  Manufacturing
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a225  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Paulino,  Glaucio  H.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2024.
■520    ▼aThe  ever-growing  demand  for  high-performance  structures  and  materials  has  pushed  traditional  design  to  its  limits.  The  challenges  that  humanity  will  face  in  the  coming  centuries  in  space  exploration,  biomedicine,  and  resilient  infrastructure  require  the  development  of  new  structures  and  materials  that  surpass  our  current  engineering  capabilities.  We  propose  a  multi-scale,  multi-material  structural  optimization  framework  featuring  locallyvarying  architected  material  properties,  offering  a  promising  avenue  to  address  the  structural  challenges  of  the  future.  This  research  brings  structural  optimization  and  architected  materials  closer  to  real-life  engineering  applications  by  addressing  theoretical,  computational,  and  manufacturing  challenges  in  the  field.  We  developed  architected  material  models  with  versatile  and  enhanced  mechanical  properties  while  studying  the  effect  of  disorder  on  their  microstructure.  Concurrently,  we  expanded  structural  optimization  techniques  to  accommodate  a  diverse  set  of  locally-varying  architected  materials  and  design  requirements  during  the  optimization  for  applications  such  as  extremely  light  structures  with  high  strength-to-weight  ratios  and  elasto-static  cloaking.  To  improve  computational  efficiency,  we  incorporated  a  machine  learning-enhanced  framework  that  achieves  optimized  structures  at  a  fraction  of  the  cost  of  traditional  techniques.  Simultaneously,  we  advanced  manufacturing  capabilities  to  ensure  the  feasibility  of  the  multi-scale  micro-architecture  embedded  structures  by  integrating  digital  light  processing  additive  manufacturing  techniques  within  the  architected  material  setting  to  fabricate  the  optimized  results.  Finally,  the  manufactured  parts  undergo  mechanical  testing  with  3D  Digital  Image  Correlation  to  evaluate  the  developed  designs.  The  proposed  engineering  framework  takes  into  account  all  stages  of  production,  from  design  to  manufacturing.  The  development  of  lightweight,  high-strength  materials  and  structures  with  tailored  properties  can  lead  to  significant  improvements  in  efficiency,  performance,  and  sustainability  in  various  applications,  with  the  potential  to  impact  a  wide  range  of  industries,  from  aerospace  to  biomedical.
■590    ▼aSchool  code:  0078.
■650  4▼aLoad
■650  4▼aMechanical  properties
■650  4▼aDesign  optimization
■650  4▼aMedical  equipment
■650  4▼aTransplants  &  implants
■650  4▼aMicrostructure
■650  4▼aPython
■650  4▼aBoundary  conditions
■650  4▼aEntropy
■650  4▼aNeural  networks
■650  4▼aJet  engines
■650  4▼aAerospace  engineering
■650  4▼aIndustrial  engineering
■650  4▼aMathematics
■650  4▼aMechanics
■650  4▼aMedicine
■650  4▼aSurgery
■690    ▼a0538
■690    ▼a0800
■690    ▼a0546
■690    ▼a0405
■690    ▼a0346
■690    ▼a0564
■690    ▼a0576
■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=T17360336▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서