MétaCan
Menu
Retour à la cohorte
Enregistrement W2907300900 · doi:10.1002/nme.6017

A multiobjective topology optimization approach for cost and time minimization in additive manufacturing

2019· article· en· W2907300900 sur OpenAlexaff
Luke Ryan, Il Yong Kim

Notice bibliographique

RevueInternational Journal for Numerical Methods in Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueTopology Optimization in Engineering
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésTopology optimizationMathematical optimizationEngineering optimizationLeverage (statistics)DiscretizationMinificationComputer scienceOptimization problemTopology (electrical circuits)Network topologyMulti-objective optimizationMathematicsFinite element methodEngineering

Résumé

récupéré en direct d'OpenAlex

Summary The ever‐present drive for increasingly high‐performance designs realized on shorter timelines has fostered the need for computational design generation tools such as topology optimization. However, topology optimization has always posed the challenge of generating difficult, if not impossible to manufacture designs. The recent proliferation of additive manufacturing technologies provides a solution to this challenge. The integration of these technologies undoubtedly has the potential for significant impact in the world of mechanical design and engineering. This work presents a new methodology which mathematically considers additive manufacturing cost and build time alongside the structural performance of a component during the topology optimization procedure. Two geometric factors, namely, the surface area and support volume required for the design, are found to correlate to cost and build time and are controlled through the topology optimization procedure. A novel methodology to consider each of these factors dynamically during the topology optimization procedure is presented. The methodology, based largely on the use of the spatial gradient of the density field, is developed in such a way that it does not leverage the finite element discretization scheme. This work investigates a problem that has not yet been explored in the literature: direct minimization of support material volume in density‐based topology optimization. The entire methodology is formulated in a smooth and differentiable manner, and the sensitivity expressions required by gradient based optimization solvers are presented. A series of example problems are provided to demonstrate the efficacy of the proposed methodology.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
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)0,0020,000

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 Opus0,012
Tête enseignante GPT0,316
Écart entre enseignants0,304 · 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

Citations43
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Numerical Methods in EngineeringMême sujetTopology Optimization in EngineeringTravaux en français237 207