Перейти к основному содержанию
AkademIndex

Продукты

Для разработчиков

AkademBaseОткрытый API экосистемы
← Назад к работе

Работы, на которые ссылается эта работа

Работ: 69

Работа: Tribological Properties Assessment of Metallic Glasses Through a Genetic Algorithm-Optimized Machine Learning Model

  1. Bayesian machine learning-aided approach bridges between dynamic elasticity and compressive strength in the cement-based mortars

    Ning Wang, Majid Samavatian, Vahid Samavatian +1

    Статья2023Цитирований: 7
    ABI

  2. Correlation-driven machine learning for accelerated reliability assessment of solder joints in electronics

    Vahid Samavatian, Mahmud Fotuhi‐Firuzabad, Majid Samavatian +2

    Статья2020Цитирований: 5
    ABI

  3. Role of Alloying Composition on Mechanical Properties of CuZr Metallic Glasses During the Nanoindentation Process

    Saade Abdalkareem Jasim, Muneam Hussein Ali, Zaid Mahmood +5

    Статья2022Цитирований: 4
    ABI

  4. Predicting concrete compressive strength using hybrid ensembling of surrogate machine learning models

    Panagiotis G. Asteris, Athanasia D. Skentou, Abidhan Bardhan +2

    Статья2021Цитирований: 3
    ABI

  5. Characterization of nanoscale structural heterogeneity in metallic glasses: A machine learning study

    Majid Samavatian, Reza Gholamipour, Dmitry Olegovich Bokov +3

    Статья2021Цитирований: 3
    ABI

  6. An Introduction to Genetic Algorithms

    Melanie Mitchell

    Книга1996Цитирований: 2
    ABI

  7. Machine learning prediction of elastic properties and glass-forming ability of bulk metallic glasses

    Jie Xiong, Tong‐Yi Zhang, San‐Qiang Shi

    Статья2019Цитирований: 2
    ABI

  8. Discovery of novel quaternary bulk metallic glasses using a developed correlation-based neural network approach

    Majid Samavatian, Reza Gholamipour, Vahid Samavatian

    Статья2020Цитирований: 2
    ABI

  9. Correlative study between elastic modulus and glass formation in ZrCuAl(X) amorphous system using a machine learning approach

    Jianqing Li, Tzu-Chia Chen, Angelina Olegovna Zekiy

    Статья2021Цитирований: 2
    ABI

  10. Prediction of Vickers hardness of amorphous alloys based on interpretable machine learning

    Xiaowei Liu, Zhilin Long, Peng Li

    Статья2022Цитирований: 2
    ABI

  11. Machine learning modeling for the prediction of plastic properties in metallic glasses

    Nicolás Amigó, Simón Palominos, Felipe J. Valencia

    Статья2023Цитирований: 2
    ABI

  12. Без названия

    ДругоеЦитирований: 1
    ABI

  13. Без названия

    ДругоеЦитирований: 1
    ABI

  14. Без названия

    ДругоеЦитирований: 1
    ABI

  15. Без названия

    ДругоеЦитирований: 1
    ABI

  16. Без названия

    ДругоеЦитирований: 1
    ABI

  17. Без названия

    ДругоеЦитирований: 1
    ABI

  18. Без названия

    ДругоеЦитирований: 1
    ABI

  19. Без названия

    ДругоеЦитирований: 1
    ABI

  20. Без названия

    ДругоеЦитирований: 1
    ABI

  21. Без названия

    ДругоеЦитирований: 1
    ABI

  22. Без названия

    ДругоеЦитирований: 1
    ABI

  23. Без названия

    ДругоеЦитирований: 1
    ABI

  24. Без названия

    ДругоеЦитирований: 1
    ABI

  25. Без названия

    ДругоеЦитирований: 1
    ABI