PROBABILITY-BASED DESIGN OPTIMIZATION OF DYNAMIC SYSTEMS
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
The mechanistic model of a dynamic system is often so complex that it is not conducive to probability-based design optimization. This is so because the common method to evaluate probability is the Monte Carlo method which requires thousands of lifetime simulations to provide probability distributions. This paper presents a methodology that (1) replaces the implicit mechanistic model with a simple explicit model, and (2), transforms the dynamic, probabilistic, problem into a time invariant probability problem. Probabilities may be evaluated by any convenient method, although the first-order reliability method is particularly attractive because of its speed and accuracy. A part of the methodology invokes design of computer experiments and approximating functions. Training sets of the design variables are selected, a few computer experiments are run to produce a matrix of corresponding responses at discrete times, and then the matrix is replaced with a vector of so-called metamodels. Responses at an arbitrary design set and at any time are easily calculated and then used to formulate common, time-invariant, performance measures. Design variables are treated as random variables and limit-state functions are formed in standard normal probability space. Probability-based design is now straightforward and optimization determines the best set of distribution parameters. Systems reliability methods may be invoked for multiple competing performance measures. Further, singular value decomposition may be used to reduce greatly the number of metamodels needed by transforming the response matrix into two smaller matrices: One containing the design variable-specific information and the other the time-specific information. An error analysis is presented. A case study of a servo-control mechanism shows the new methodology provides controllable accuracy and a substantial time reduction when compared to the traditional mechanistic model with Monte Carlo sampling.
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 | 0,016 | 0,014 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 découle