Machine learning-driven inverse design of functionally graded auxetic metamaterials including non-linear regimes
Applied Materials Today · 2026-04 · 49 · 103147
DOI: 10.1016/j.apmt.2026.103147 ↗Kurz gefasst
Fachartikel in der Zeitschrift Applied Materials Today, 2026-04. Verfasst von S. Farshbaf und 2 weiteren Autor:innen. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 56 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: España Ministerio de Ciencia Innovación y Universidades, Agència de Gestió d'Ajuts Universitaris i de Recerca.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Förderung
- España Ministerio de Ciencia Innovación y Universidades
- Agència de Gestió d'Ajuts Universitaris i de Recerca
Zitieren
APA
Farshbaf, S., Dialami, N., & Cervera, M. (2026). Machine learning-driven inverse design of functionally graded auxetic metamaterials including non-linear regimes. Applied Materials Today, 49, 103147. https://doi.org/10.1016/j.apmt.2026.103147
Vancouver
Farshbaf S, Dialami N, Cervera M. Machine learning-driven inverse design of functionally graded auxetic metamaterials including non-linear regimes. Applied Materials Today. 2026;49:103147. doi:10.1016/j.apmt.2026.103147
BibTeX
@article{Farshbaf2026,
author = {Farshbaf, S. and Dialami, N. and Cervera, M.},
title = {Machine learning-driven inverse design of functionally graded auxetic metamaterials including non-linear regimes},
journal = {Applied Materials Today},
year = {2026},
volume = {49},
pages = {103147},
doi = {10.1016/j.apmt.2026.103147}
}
EUVIMED