The Transfer Matrix Metamodel for Dynamic Systems With Arbitrary Time-Variant Inputs
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
This paper addresses the problem of mapping a vector of input variables (corresponding to discrete samples from a time-varying input) to a vector of output variables (discrete samples of the time-dependent response). This mapping is typically performed by a mechanistic model. However, when the mechanistic model is complex and dynamic, the computational effort to iteratively generate the response for design purposes can be burdensome. Metamodels (or, surrogate models) can be computationally efficient replacements, especially when the input variables have some amplitude and frequency bounds. Herein, a simple metamodel in the form of a transfer matrix is created from a matrix of a few training inputs and a corresponding matrix of matching responses provided by simulations of the dynamic mechanistic model. A least-squares paradigm reveals a simple way to link the input matrix to the columns of the response matrix. Application of singular value decomposition (SVD) introduces significant computational advantages since it provides matrices whose properties give, in an elegant fashion, the transfer matrix. The efficacy of the transfer matrix is shown through an investigation of a nonlinear, underdamped, double mass–spring–damper system. Arbitrary excitations and selected sinusoids are applied to check accuracy, speed and robustness of the methodology. The sources of errors are identified and ways to mitigate them are discussed. When compared to the ubiquitous Kriging approach, the transfer matrix method shows similar accuracy but much reduced computation time.
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 | 0,011 | 0,003 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 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