EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Crack-Net: A Deep Learning Approach to Predict Crack Propagation and Stress–Strain Curves in Particulate Composites

Hao Xu, Wei Fan, Lecheng Ruan, Rundong Shi, Ambrose C. Taylor, Dongxiao Zhang

Engineering · 2025-06 · 49 · 149-163

DOI: 10.1016/j.eng.2025.02.022 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Engineering, 2025-06. Verfasst von Hao Xu und 5 weiteren Autor:innen. Die Arbeit wurde bisher 23-mal zitiert (Crossref) und nennt 65 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0). Gefördert von: China Postdoctoral Science Foundation, National Natural Science Foundation of China.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Förderung

  • China Postdoctoral Science Foundation
  • National Natural Science Foundation of China

Zitieren

APA

Xu, H., Fan, W., Ruan, L., Shi, R., Taylor, A. C., & Zhang, D. (2025). Crack-Net: A Deep Learning Approach to Predict Crack Propagation and Stress–Strain Curves in Particulate Composites. Engineering, 49, 149-163. https://doi.org/10.1016/j.eng.2025.02.022

Vancouver

Xu H, Fan W, Ruan L, Shi R, Taylor AC, Zhang D. Crack-Net: A Deep Learning Approach to Predict Crack Propagation and Stress–Strain Curves in Particulate Composites. Engineering. 2025;49:149-163. doi:10.1016/j.eng.2025.02.022

BibTeX
@article{Xu2025,
  author = {Xu, Hao and Fan, Wei and Ruan, Lecheng and Shi, Rundong and Taylor, Ambrose C. and Zhang, Dongxiao},
  title = {Crack-Net: A Deep Learning Approach to Predict Crack Propagation and Stress–Strain Curves in Particulate Composites},
  journal = {Engineering},
  year = {2025},
  volume = {49},
  pages = {149--163},
  doi = {10.1016/j.eng.2025.02.022}
}
Kostenlos starten →