MétaCan
Menu
Retour à la cohorte
Enregistrement W2245115092 · doi:10.3970/cmes.2012.087.055

Identification of material parameters of two-dimensional anisotropic bodies using an inverse multi-loading boundary element technique

2012· article· en· W2245115092 sur OpenAlexaff
M.R. Hematiyan, Amir Khosravifard, Y.C. Shiah, Chee Leong Tan

Notice bibliographique

RevueComputer Modeling in Engineering & Sciences · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésTikhonov regularizationOrthotropic materialInverse problemInverseBoundary element methodRegularization (linguistics)MathematicsMathematical analysisFinite element methodBoundary (topology)Boundary value problemComputationApplied mathematicsAlgorithmGeometryComputer sciencePhysics

Résumé

récupéré en direct d'OpenAlex

An inverse technique, based on the boundary element method (BEM) and elastostatic experiments for identification of elastic constants of orthotropic and general anisotropic 2D bodies is presented. Displacement measurements at several points on the boundary of the body, obtained by a few known load cases are used in the inverse analysis to find the unknown elastic constants of the body. Using data from more than one elastostatic experiment results in a more accurate and stable solution for the identification problem. In the inverse analysis, sensitivities of displacements of only boundary points with respect to the elastic constants are needed. Therefore, the BEM is a very useful and effective method for this purpose. An iterative Tikhonov regularization method is used for the inverse analysis. A method for simple computation of initial guesses for unknown elastic constants and a procedure for appropriate selection of the regularization parameter appearing in the inverse analysis is also proposed. Convergence and accuracy of the presented method with respect to measurement errors and number of load cases are investigated by presenting several examples.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,066
Tête enseignante GPT0,313
Écart entre enseignants0,248 · 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 source (Gemma direct ou Codex distillé), 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
GenreEmpirique

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

En bref

Citations16
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputer Modeling in Engineering & SciencesMême sujetStructural Health Monitoring TechniquesTravaux en français237 207