MétaCan
Menu
Retour à la cohorte
Enregistrement W2802209518 · doi:10.1139/tcsme-2006-0032

THE USE OF ENRICHED HEXAHEDRAL ELEMENTS WITH BUBBLE FUNCTIONS FOR FINITE ELEMENT ANALYSIS

2006· article· en· W2802209518 sur OpenAlexvenueno aff
Shi-Pin Ho, Yen-Liang Yeh

Notice bibliographique

RevueTransactions of the Canadian Society for Mechanical Engineering · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Numerical Methods in Computational Mathematics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputationFinite element methodHexahedronNorm (philosophy)Numerical analysisElement (criminal law)MathematicsApplied mathematicsMathematical optimizationComputer scienceAlgorithmMathematical analysisEngineeringStructural engineeringLaw

Résumé

récupéré en direct d'OpenAlex

In this paper, the concept that adds the interior nodes of the Lagrange elements to the serendipity elements is described and a family of enriched elements is presented to improve the accuracy of finite element analysis. By the use of the static condensation technique at the element level, the extra computation time in using these elements can be ignored. Three-dimensional elastic problems are used as examples in this paper. The numerical results show that these enriched elements are more accurate than the traditional serendipity elements. The convergence rate of the enriched elements is the same as the traditional serendipity elements. In the numerical example, the error norm of the first order enriched elements can be reduced when compared with the use of the traditional serendipity element, but the computation time is increased a little. The use of enriched second and third order hexahedral elements does not only improve accuracy, but also saves the computation time for solving the system of equations, when the precondition conjugate gradient method is used to solve the system of equations. The saving of computation time is due to the decrease in the number of iteration for the iteration method.

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 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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,406
Score d'incertitude au seuil0,388

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
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 Opus0,025
Tête enseignante GPT0,241
Écart entre enseignants0,216 · 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 tête enseignante, 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
GenreMéthodes

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

En bref

Citations1
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransactions of the Canadian Society for Mechanical EngineeringMême sujetAdvanced Numerical Methods in Computational MathematicsTravaux en français237 207