Optimal Thin-Film Topology Design for Specified Temperature Profiles in Resistive Heaters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, we optimized the topology of a thin-film resistive heater as well as the electrical potential of the electrodes on the boundaries. The objective was to minimize the difference between the actual and prescribed temperature profiles. The thin-film thickness was represented by 100 design variables, and the electrical potential at each electrode were also design variables. The topology optimization problem (inverse problem) has been solved with two methods, i.e., with a genetic algorithm (GA) and with a conjugate gradient method using adjoint and sensitivity problems (CGA). The genetic algorithm used here was modified in order to prevent nonconvergence due to the nonuniqueness of topology representation. The conjugate gradient method used in inverse conduction was extended to cope with our electrothermal problem. The GA and CGA methods started with random topologies and random electrical potential values at electrodes. Both the CGA and GA succeeded in finding optimal thin-film thickness distributions and electrode potential values, even with 100 topology design variables. For most cases, the maximum discrepancy between the optimized and prescribed temperature profiles was under 0.5°C, relative to temperature profiles of the order of 70°C. The CGA method was faster to converge, but was more complex to implement and sometimes led to local minima. The GA was easier to implement and was more unlikely to lead to a local minimum, but was much slower to converge.
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.
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 | 0,001 |
| 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 découle