Bayesian model selection and parameter estimation for fatigue damage progression models in composites

یک رویکرد بیزی برای انتخاب احتمال ترین کلاس مدل در میان مجموعه ای از مدل های مکانیک آسیب برای پیشرفت آسیب خستگی در کامپوزیت ارائه شده است. مدل های نامزد شده که ابتدا توسط تجزیه و تحلیل حساسیت جهانی اول پارامتر می شوند براساس احتمال برآورد شده اند که میزان توافق پیش بینی های آنها با داده های مشاهده شده اندازه گیری می شود. مطالعه موردی با استفاده از داده های آسیب خفیف چند ضلعی از ورقه ورقه کربن اپوکسی متقاطع ارائه شده است. نتایج نشان می دهد که برای این مورد، احتمالا مدل کلاس در میان نامزدهای رقیب، این است که شامل ساده ترین مکانیک آسیب است. به نظر میرسد اصل الگوریتم اکامام برای مصالح کامپوزیتی مورد بررسی قرار گرفته است، زیرا دادههای متنوعی از مدلهای پیچیدهتر مجازات میشوند، زیرا اطلاعات بیشتری را از دادهها استخراج میکنند.