Für die Vorhersage der effektiven Wärmeleitfähigkeit von metallgefüllten Polymerverbundwerkstoffen wird ein dreischichtiges Feedforward-Backpropagation-Neuronennetz verwendet, das über die Verbindungsgewichte vollständig mit der nachfolgenden Schicht verbunden ist. Die Volumenanteile und Wärmeleitfähigkeiten der kontinuierlichen und dispergierten Phasen wurden als Eingangsparameter verwendet, und es wurde eine Ausgabe in Form der effektiven Wärmeleitfähigkeit von Polymerverbundwerkstoffen erhalten. Die resultierenden Vorhersagen der effektiven Wärmeleitfähigkeit durch die verschiedenen Trainingsfunktionen des künstlichen neuronalen Netzes stimmen gut mit den verfügbaren experimentellen Daten überein. Die verschiedenen Trainingsfunktionen des künstlichen neuronalen Netzes zeigen die Fähigkeit, das künstliche neuronale Netz für die Vorhersage der effektiven Wärmeleitfähigkeit verschiedener Arten von maßgeschneiderten komplexen Materialien zu verwenden.

Autorentext

M. Bhoopal est professeur assistant au département de physique de l'université technique Maharaja Ranjit Singh Punjab, Bathinda, Punjab, Inde. Il est titulaire d'un doctorat de l'université de Rajasthan, Jaipur. Il a publié de nombreux articles de recherche dans des revues nationales et internationales. Son domaine de recherche est la physique de la matière condensée.