An efficient algorithm for computing nearest medium approximations to an arbitrary anisotropic stiffness tensor
Notice bibliographique
Résumé
ABSTRACT The problem of reducing a fully anisotropic (triclinic) stiffness tensor comprised of 21 distinct components to a higher symmetry form having fewer distinct elements is of interest in many geophysical applications, where assuming a particular type of symmetry is often necessary to sufficiently reduce computational complexity to allow practical solutions. In addition, recent advances in the upscaling of realistically large field-scale discrete fracture networks have led to the need for an efficient way to derive a very large number of nearest medium approximations to the triclinic stiffness tensors obtained. Owing to rotational symmetries and nonlinearity, the problem of efficiently finding such approximations is generally nontrivial because optimal orientations are intrinsically nonunique. An algorithm proposed by Dellinger computes nearest orthotropic and transverse isotropic approximations for a given stiffness tensor, using the Federov norm as an objective function to iteratively minimize the fit error. Although this method is appropriate for computing solutions to single problem instances, the implementation is too inefficient for production situations, where a very large number of invocations of the algorithm is required. The enhanced algorithm proposed here is accurate, efficient, and general, allowing nearest medium approximations to be determined for arbitrary symmetry types, including isotropic, cubic, transverse isotropic, orthotropic, and monoclinic.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».