ပိုမိုကျယ်ကျယ်ပြန့်ပြန့် နားလည်မှုရရှိစေရန်နှင့် အကဲဖြတ်ပါ။အမြှုပ်အလူမီနီယမ်performance.researchers များသည် အမျိုးမျိုးသော characterization indicators များကို မိတ်ဆက်ပေးခဲ့သည်။ သို့သော်လည်း အမြှုပ်အလူမီနီယမ်၏ စွမ်းဆောင်ရည်ကို ပိုင်းခြားစိတ်ဖြာရာတွင် ဤညွှန်ကိန်းများ၏ အရေးပါမှုကို လက်ရှိနားလည်မှုသည် အကန့်အသတ်ရှိသည်။ ဤလေ့လာမှုသည် ယေဘူယျအားဖြင့် Regression Neural Network (GRNN) နည်းလမ်းကို အသုံးပြုထားပြီး အလူမီနီယမ်၏ အဏုမြူဖွဲ့စည်းပုံဆိုင်ရာ လက္ခဏာရပ်ဆိုင်ရာ အချက်အလက်များကို ၎င်း၏စက်ပိုင်းဆိုင်ရာ ဂုဏ်သတ္တိများနှင့် ချိတ်ဆက်ပေးသည့် မော်ဒယ်တစ်ခုကို တည်ထောင်ရန် အသုံးပြုထားသည်။ CRNNmodel မှတဆင့်၊ သုတေသီများသည် အမြှုပ်အလူမီနီယမ်၏ ပေါက်ပေါက်သွင်ပြင်လက္ခဏာ 13 ခုမှ အရေးကြီးဆုံးအင်္ဂါရပ်လေးခုနှင့် ၎င်းတို့၏သက်ဆိုင်သောအလေးချိန်တန်ဖိုးများကို ထုတ်ယူခဲ့သည်။ နောက်ပိုင်းတွင်၊ "Wang equivalent porosity"(WEP) ဟုခေါ်သော ဇာတ်ကောင်ပုံစံဖော်မြူလာအသစ်ကို featureweights တွင် သတ်မှတ်ထားသော ကျန်ရှိသောအလေးချိန်များကို အသုံးပြုကာ ကန့်သတ်ချက်လေးခုကို ရရှိခဲ့သည်။ ဤဖော်မြူလာသည် အမြှုပ်အလူမီနီယမ်၏ အသေးစားဖွဲ့စည်းပုံသဏ္ဍာန်နှင့် ၎င်း၏စက်ပိုင်းဆိုင်ရာစွမ်းဆောင်ရည်တို့ကြား ဆက်နွယ်မှုကို ကိုယ်စားပြုရန် ရည်ရွယ်သည်၊ ထို့အပြင် သုတေသီများသည် 11 အစုံမှ compression data ကို အသုံးပြု၍ မော်ဒယ်စစ်ဆေးမှုကို ပြုလုပ်ခဲ့သည်။အမြှုပ်လူမီနီယမ်. အဆိုပါ မြှုပ်နှံထားသော အလူမီနီယံဒေတာအတွဲ ၁၁ တွဲအနက်မှ အတည်ပြုခြင်းရလဒ်များက ပြသခဲ့သည်။ Gibson-Ashby ဖော်မြူလာသည် ကိစ္စနှစ်ခုတွင် မမှန်မကန်ရလဒ်များကို ထုတ်ပေးခဲ့ပြီး၊ WEP သည် ထူးခြားသောတည်ငြိမ်မှုကို ပြသထားသည်။ Gibson-Ashby ဖော်မြူလာနှင့် နှိုင်းယှဉ်လျှင် WEP သည် 18.18% တိုးတက်မှု အကဲဖြတ်မှု တိကျမှုကို ပြသခဲ့သည်။

Foam အလူမီနီယမ်၊ အလူမီနီယမ်သတ္တုသတ္တုစပ်ဖြင့် ပေါင်းစပ်ထားသည့် ၎င်း၏သတ္တုစပ်သည် ၎င်း၏ ပေါက်ရောက်သော သဘာဝအပျက်အစီးများနှင့် ပျားလပို့ကဲ့သို့ ဖွဲ့စည်းတည်ဆောက်ပုံဖြင့် ထူးခြားသည်။ အမြှုပ်အလူမီနီယမ်ကို အသုံးချမှုကို မြှင့်တင်ရန်အတွက် တိကျပြီး ပြည့်စုံသော စွမ်းဆောင်ရည် အကဲဖြတ်ခြင်းနည်းလမ်းများကို ဖော်ဆောင်ရန် အရေးတကြီး လိုအပ်ပါသည်။

Gibson-Ashby ဖော်မြူလာနှင့် Hanssen ဖော်မြူလာ၊ Gibson နှင့် Ashby တို့က မိတ်ဆက်ထားသော porous ပစ္စည်းများ၏ စက်ပိုင်းဆိုင်ရာ ဝိသေသလက္ခဏာများကို ဖော်ပြရန်အတွက် ရိုးရာညီမျှခြင်းအဖြစ် အရေးပါသောအချက်မှာ မည်သို့ပင်ဆိုစေကာမူ၊အမြှုပ်လူမီနီယမ်ကွဲပြားသောသေးငယ်သောဖွဲ့စည်းပုံများကိုပြသပြီး porosity၊ pore size နှင့် pore distribution ကဲ့သို့သော structural factor အမျိုးမျိုးကြောင့် ထိခိုက်ပါသည်။ ဤသမရိုးကျဖွဲ့စည်းပုံဆိုင်ရာဆက်ဆံရေးအများစုသည် ချွေးပေါက်ဖွဲ့စည်းပုံများ၏ လွှမ်းမိုးမှုကို ထည့်မတွက်သော macroscopic phenomenological ပုံစံများဖြစ်သည်။ ထို့အပြင်၊ အမြှုပ်အလူမီနီယမ်သည် မတူညီသော အသုံးချမှုအခြေအနေများတွင် ကွဲပြားသောစွမ်းဆောင်ရည်သတ်မှတ်ချက်များ ရှိနိုင်ပါသည်။ ထို့ကြောင့်၊ သီးခြားလျှောက်လွှာလိုအပ်ချက်များနှင့်ကိုက်ညီစေရန် အကဲဖြတ်ခြင်းနည်းလမ်းများကို အံဝင်ခွင်ကျဖြစ်စေရပါမည်။ ထို့အပြင်၊ အမြှုပ်အလူမီနီယမ်အကွက်သည် စံပြုစမ်းသပ်မှုနည်းလမ်းများနှင့် စွမ်းဆောင်ရည်သတ်မှတ်ချက်များ ကင်းမဲ့ကာ မတူညီသောနှိုင်းယှဉ်လေ့လာမှုများတစ်လျှောက်တွင် တွေ့ရှိချက်များကို စိန်ခေါ်မှုများနှင့် သက်သေပြနိုင်စေသည်။ အချုပ်အားဖြင့်၊ သမားရိုးကျနည်းလမ်းများသည် foam aluminium ၏ microstructural attribute များနှင့် ၎င်း၏စက်ပိုင်းဆိုင်ရာလက္ခဏာများအကြား ဆက်စပ်မှု သို့မဟုတ် ဘောင်ဘောင်အတွင်း အမြှုပ်လူမီနီယမ်၏ စက်ပိုင်းဆိုင်ရာ ဂုဏ်သတ္တိများကို အတိအကျ မော်ဒယ်နှင့် ခန့်မှန်းရန် ပျက်ကွက်ပါသည်။ အမြှုပ်အလူမီနီယမ်၏ စက်ပိုင်းဆိုင်ရာ ဂုဏ်သတ္တိများကို အကဲဖြတ်ရန်အတွက် macroscopic ရှုထောင့်တစ်ခုတည်းကိုသာ အားကိုးခြင်းသည် ခေတ်ပြိုင်စွမ်းဆောင်ရည် ဒီဇိုင်းလိုအပ်ချက်များနှင့် မကိုက်ညီတော့ပါ။ အချင်းချင်း ဆက်ဆံရေး ပုံဖော်ခြင်း။အမြှုပ်အလူမီနီယမ်တည်ဆောက်ပုံဆိုင်ရာ ကန့်သတ်ချက်များ နှင့် ၎င်း၏ စက်ပိုင်းဆိုင်ရာ လက္ခဏာများသည် ဖိနှိပ်ခြင်းနှင့် အဓိကကျသော အရာဖြစ်သည်။

ဤလေ့လာမှုတွင် equivalent porosity ဟုခေါ်သော ဆန်းသစ်သော characterization parameter ကို အဆိုပြုခဲ့ပြီး အမြှုပ်အလူမီနီယမ်၏ သေးငယ်သောဖွဲ့စည်းပုံသဏ္ဍာန်နှင့် စွမ်းဆောင်ရည်တို့ကြား ဆက်နွယ်မှုကို ကိုယ်စားပြုပါသည်။ ဤကန့်သတ်ချက်သည် ပေါက်ကြားပေါက်၊ ပျမ်းမျှ ချွေးပေါက်အရွယ်အစား၊ အမြှုပ်အလူမီနီယမ်၏ ပတ်၀န်းကျင်ရှိ အင်္ဂါရပ်များဖြစ်သည့် အလေးချိန်ခွဲဝေမှုမှ ဆင်းသက်လာခြင်းဖြစ်သည်။ အမြှုပ်အလူမီနီယမ်နမူနာများတွင် စမ်းသပ်စစ်ဆေးခြင်းမှတစ်ဆင့်၊ တူညီသော porosity သည် စရိုက်လက္ခဏာသတ်မှတ်မှု ကန့်သတ်ချက်အသစ်တစ်ခုအနေဖြင့် ပိုမိုတိကျကြောင်း သက်သေပြခဲ့သည်။ အမြှုပ်အလူမီနီယမ်၏စွမ်းဆောင်ရည်ကိုရောင်ပြန်ဟပ်။

ဤလေ့လာမှုတွင်၊ ကျွန်ုပ်တို့သည် စက်သင်ယူမှုနှင့် စက်ပစ္စည်းသင်ယူမှုတို့ကို ပေါင်းစပ်ခြင်းဖြင့် ပေါင်းစပ်သင်ကြားရေးဆိုင်ရာ ချဉ်းကပ်နည်းကို လက်ခံကျင့်သုံးပါသည်။ အင်္ဂါရပ်ရွေးချယ်မှု၊ အလေးချိန်ခွဲခြမ်းစိတ်ဖြာမှု နှင့် ကျန်ရှိသောအလေးချိန်ခွဲဝေမှုကဲ့သို့သော စက်သင်ယူမှုနည်းပညာများကို ညီမျှသော porosity အတွက် ဖော်မြူလာတည်ဆောက်ရန် ပေါင်းစပ်ထားသည်။ အမြှုပ်အလူမီနီယမ်၏ တိကျသော ရောင်ပြန်ဟပ်မှုကို ပံ့ပိုးပေးသည့် နမူနာအစုံငါးခုကို အတည်ပြုခြင်းအားဖြင့် တူညီသော porosity ၏ တိကျမှုကို ကျွန်ုပ်တို့ သရုပ်ပြထားပါသည်။ ကျွန်ုပ်တို့သည် ပစ္စည်း၏စက်ပိုင်းဆိုင်ရာဂုဏ်သတ္တိများကို အကဲဖြတ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ပိုမိုတိကျသောနည်းလမ်းကို ပေးဆောင်ပြီး ဆုံးဖြတ်ချက်ချခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် အဖိုးတန်သောကိုးကားချက်များကို ပေးဆောင်ပါသည်။ သုတေသနသည် အမြှုပ်မမီနီယမ်လေ့လာမှုနှင့် ဒေတာမောင်းနှင်သည့်ပစ္စည်းများ သုတေသနကို ပေါင်းစပ်ခြင်းဖြင့် ကြီးမားသောဒေတာနှင့် ဉာဏ်ရည်တုနည်းပညာများတွင် လျင်မြန်သောတိုးတက်မှုများနှင့် အနီးကပ် ချိန်ညှိထားသည်။ ကျွန်ုပ်တို့သည် ဆန်းသစ်သောပုံစံများနှင့် နည်းလမ်းများကို မိတ်ဆက်ပေးပြီး အမြှုပ်အလူမီနီယမ်၏ စွမ်းဆောင်ရည်ကို အသွင်အပြင်နှင့် ခွဲခြမ်းစိတ်ဖြာမှုအပေါ် ဆန်းသစ်သောအမြင်ကို ပေးဆောင်ပါသည်။