Towards a data-driven paradigm for characterizing plastic anisotropy using principal components analysis and manifold learning - Université de technologie de Compiègne Accéder directement au contenu
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
  • Fonction : Auteur
Laboratoire de Génie Civil et Génie Mécanique
Piotr Breitkopf
  • Fonction : Auteur
Roberval
Subhrajit Dutta
  • Fonction : Auteur
National Institute of Technology [Silchar]
Manyu Xiao
  • Fonction : Auteur
Northwestern 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://hal.utc.fr/hal-04445491

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

Dernière modification le : mercredi 20 mars 2024-14:18:04

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
23 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More