Accueil › Annuaire des chercheurs › Hamza Alibi
Hamza Alibi
Affiliation : University of Monastir · Ecole Nationale d'Ingénieurs de Monastir
- 22Publications (affiliation tunisienne)
- 24Publications au total
- 139Citations
- 9Indice h
Profil de recherche
Hamza Alibi compte 22 publications référencées (2008–2024). Ses travaux paraissent principalement dans « Springer Proceedings in Materials », « Fibers and Polymers » et « Journal of Natural Fibers ». Son article le plus cité, « Neural Network for Predicting Thermal Conductivity of Knit Materials » (2008), a été cité 29 fois. 13 de ces publications datent des trois dernières années d’activité. Ses travaux sont cosignés avec au moins 8 chercheurs, notamment dans des établissements de Arabie saoudite.
C’est vous ? Faites connaître vos travaux
Créez gratuitement votre profil DzCademia et ajoutez vos articles : ils apparaîtront plus facilement sur Google et dans les assistants d’IA comme ChatGPT. Plus de personnes pourront vous lire et vous citer.
Créer mon profil gratuit Ajouter mes publicationsDomaines de recherche
- Textile materials and evaluations
- Machine Learning in Materials Science
- Neural Networks and Applications
- Natural Fiber Reinforced Composites
- Fiber-reinforced polymer composites
Publications (22)
- Well-Being Factores Affecting Consumer Decision Making: Tunisian Case
- Touch Criteria Influencing the Purchasing Decision of Tunisian Consumers
- Statistical Analysis of Judgment of Thermal Well-Being Descriptors
- Design of Flex Fit Well-Being Descriptors
- Characterization of Natural Tow Fibers
- Reuse of Grain Waste as Abrasive Particles
- The Impact of Chemical Treatment of Cellulosic Fibers on Surface Properties and Matrix/reinforcement Interfacial Adhesion
- Effect of pumice stone and pearlite abrasives characteristics on denim abrasion
- Analysis of silica and silicon carbide abrasives characteristics on denim wear
- Study of the mechanical, chemical, and surface behaviors of non-woven abrasive made from waste chemically modified tow fibers
- Surface Characterization of Textile Reinforcements
- Using Reverse Neural Networks (ANNi) to Predict the Structural Variables from a Fixed Value of the Crease Recovery Angle
- Identify the Most Influential Operating Parameters Affecting Bending Stiffness of Knitted Fabric Using Fuzzy Decision Trees
- Investigation on Stiffness of Finished Stretch Plain Knitted Fabrics Using Fuzzy Decision Trees and Artificial Neural Networks
- Development of Abrasives from Non-woven Based on Used Textiles
- Investigation on air permeability of finished stretch plain knitted fabrics. I. Predicting air permeability using artificial neural networks
- A new hybrid artificial intelligence approach to predicting global thermal comfort of stretch knitted fabrics
- Study the effect of operating parameters and intrinsic features of yarn and fabric on thermal conductivity of stretch knitted fabrics using artificial intelligence system
- An optimal artificial neural network system for designing knit stretch fabrics
- A neural network system for designing new stretch fabrics
- A NEURAL NETWORK SYSTEM FOR PREDICTION OF THERMAL RESISTANCE OF KNIT FABRICS
- Neural Network for Predicting Thermal Conductivity of Knit Materials
Revues de publication
- Springer Proceedings in Materials × 9
- Fibers and Polymers × 4
- Journal of Natural Fibers × 2
- Journal of Composite Materials × 1
- Polymer Composites × 1
- Journal of Industrial Textiles × 1
Publications par année
- 20244
- 20232
- 20227
- 20211
- 20201
- 20161
- 20151
- 20141
- 20132
- 20121
Collaborations
Établissements partenaires : Majmaah University
Pays des co-auteurs : Arabie saoudite
Co-auteurs
- Faten Fayala
- Adel Ghith
- Rania Baghdadi
- Abdelmajid Jemni
- Arwa Elaissi
- Mahjoub Jabli
- Naoufel Bhouri
- Sofien Benltoufa
Données bibliographiques issues d’OpenAlex (base ouverte).
Pourquoi choisir Dzcademia ?
Pour donner à vos travaux plus de chances d’être découverts et recommandés par les IA. Profils, articles et communications : donnez à votre recherche une présence publique structurée. Les métadonnées intégrées aident les moteurs de recherche et les assistants IA à identifier vos travaux et à comprendre leurs références.
Commenter avec Google
Connecte-toi avec Google pour commenter directement sur cette page.