MétaCan
Menu
Retour à la cohorte
Enregistrement W2560257588 · doi:10.1115/detc2016-59627

Embedded Sensors and Feedback Loops for Iterative Improvement in Design Synthesis for Additive Manufacturing

2016· article· en· W2560257588 sur OpenAlex
Mehdi Nourbakhsh, Nigel Morris, Michael Bergin, Francesco Iorio, Daniele Grandi

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueDesign Education and Practice
Établissements canadiensAutodesk (Canada)
Organismes subventionnairesnon disponible
Mots-clésChassisComputer scienceDesign space explorationIterative designDesign methodsAutomotive industrySystems engineeringControl engineeringEmbedded systemDistributed computingComputer engineeringIndustrial engineeringEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Design problems are complex and not well-defined in the early stages of projects. To gain an insight into these problems, designers envision a space of various alternative solutions and explore various performance trade-offs, often manually. To assist designers with rapidly generating and exploring a design space, researchers introduced the concept of design synthesis methods. These methods promote innovative thinking and provide solutions that can augment a designer’s abilities to solve problems. Recent advances in technology push the boundaries of design synthesis methods in various ways: a vast number of novel solutions can be generated using high-performance computing in a timely manner, complex geometries can be fabricated using additive manufacturing, and integrated sensors can provide feedback for the next design generation using the Internet of things (IoT). Therefore, new synthesis methods should be able to provide designs that improve over time based on the feedback they receive from the use of the products. To this end, the objective of this study is to demonstrate a design synthesis approach that, based on high-level design requirements gathered from sensor data, generates numerous alternative solutions targeted for additive manufacturing. To demonstrate this method, we present a case study of design iteration on a car chassis. First, we installed various sensors on the chassis and measured forces applied during various maneuvers. Second, we used these data to define a high-level engineering problem as a collection of design requirements and constraints. Third, using an ensemble of topology and beam-based optimization techniques, we created a number of novel solutions. Finally, we selected one of the design solutions and because of some manufacturability constraints we, 3D-printed a prototype for the next generation of design at one third scale. The results show that designs generated from the proposed method were up to 28% lighter than the existing design. This paper also presents various lessons learned to help engineers and designers with a better understanding of challenges applying new technologies in this research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,897
Score d'incertitude au seuil0,347

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,256
Écart entre enseignants0,233 · 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

En bref

Citations14
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDesign Education and PracticeTravaux en français237 207