MétaCan
Menu
Retour à la cohorte
Enregistrement W1995973104 · doi:10.1109/mwsym.2014.6848540

A multi-resolution FDTD method for uncertainty quantification in the time-domain modeling of microwave structures

2014· article· en· W1995973104 sur OpenAlexaff
Luyu Wang, Costas D. Sarris

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueProbabilistic and Robust Engineering Design
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésFinite-difference time-domain methodRobustness (evolution)Polynomial chaosComputer scienceAlgorithmGridUncertainty quantificationMicrowave imagingMonte Carlo methodSparse gridWaveletMicrowaveComputational scienceMathematicsOpticsArtificial intelligencePhysicsMachine learningTelecommunications

Résumé

récupéré en direct d'OpenAlex

Recent research on parameter uncertainty quantification via the Finite-Difference Time-Domain (FDTD) method has led to several approaches aimed at outperforming the conventional Monte-Carlo technique. Among those, the use of polynomial chaos (PC) is characterized by mathematical robustness and computational efficiency. However, it still requires either multiple FDTD runs (in non-intrusive PC methods) or the execution of one large simulation to compute the PC expansion coefficients for all field nodes and time steps (in the intrusive case). This paper presents an intrusive PC-FDTD method stemming from a wavelet-based PC expansion of field components, with respect to the uncertain parameters. This multi-resolution expansion implements a sparse adaptive grid in the uncertain parameter space, which produces significant performance gains, without sacrificing accuracy.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,495
Score d'incertitude au seuil0,423

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,121
Tête enseignante GPT0,372
Écart entre enseignants0,251 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetProbabilistic and Robust Engineering DesignTravaux en français237 207