METAMODEL-BASED PROBABILISTIC DESIGN OPTIMIZATION OF STATIC SYSTEMS WITH AN EXTENSION TO 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
In design, much research deals with cases where design variables are deterministic thus ignoring possible uncertainties present in manufacturing or environmental conditions. When uncertainty is considered, the design variables follow a particular distribution whose parameters are defined. Probabilistic design aims to reduce the probability of failure of a system by moving the distribution parameters of the design variables. The most popular method to estimate the probability of failure is a Monte Carlo Simulation where, using the distribution parameters, many runs are generated and the number of times the system does not meet specifications is counted. This method, however, can become time-consuming as the mechanistic model developed to model a physical system becomes increasingly complex. From structural reliability theory, the First Order Reliability Method (FORM) is an efficient method to estimate probability and efficiently moves the parameters to reduce failure probability. However, if the mechanistic model is too complex FORM becomes difficult to use. This paper presents a methodology to use approximating functions, called 'metamodels', with FORM to search for a design that minimizes the probability of failure. The method will be applied to three examples and the accuracy and speed of this metamodel-based probabilistic design method will be discussed. The speed and accuracy of three popular metamodels, the response surface model, the Radial Basis Function and the Kriging model are compared. Later, some theory will be presented on how the method can be applied to systems with a dynamic performance measure where the response lifetime is required to computer another performance measure.
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 | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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