Towards a data-driven paradigm for characterizing plastic anisotropy using principal components analysis and manifold learning - Université de technologie de Compiègne
Article Dans Une Revue Computational Materials Science Année : 2024

Towards a data-driven paradigm for characterizing plastic anisotropy using principal components analysis and manifold learning

Jianqiang Jin
Roberval
Ludovic Cauvin
Roberval
CV
Balaji Raghavan
Laboratoire de Génie Civil et Génie Mécanique
CV
Piotr Breitkopf
  • Fonction : Auteur
Roberval
Subhrajit Dutta
  • Fonction : Auteur
National Institute of Technology [Silchar]
Manyu Xiao
  • Fonction : Auteur
Northernwest Polytechnical University [Xi'an]

Domaines

Mécanique [physics.med-ph] Mécanique des matériaux [physics.class-ph] Machine Learning [stat.ML]

ludovic cauvin  : Connectez-vous pour contacter le contributeur

https://utc.hal.science/hal-04445491

Soumis le : jeudi 8 février 2024-00:08:28

Dernière modification le : dimanche 17 novembre 2024-22:00:02

Fichier non déposé

Dates et versions

hal-04445491 , version 1 (08-02-2024)

Identifiants

Citer

Jianqiang Jin, Ludovic Cauvin, Balaji Raghavan, Piotr Breitkopf, Subhrajit Dutta, et al.. Towards a data-driven paradigm for characterizing plastic anisotropy using principal components analysis and manifold learning. Computational Materials Science, 2024, 235, pp.112834. ⟨10.1016/j.commatsci.2024.112834⟩. ⟨hal-04445491⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-RENNES1 UNIV-COMPIEGNE INSA-RENNES LGCGM-INSA LGCGM UNIV-RENNES ROBERVAL INSA-GROUPE UR1-MMS
44 Consultations
0 Téléchargements

Altmetric

Partager

More