MétaCan
Menu
Retour à la cohorte
Enregistrement W2908959792 · doi:10.1051/m2an/2019056

A variational formulation for computing shape derivatives of geometric constraints along rays

2019· article· en· W2908959792 sur OpenAlexaff
Florian Feppon, Grégoire Allaire, Charles Dapogny

Notice bibliographique

RevueESAIM Mathematical Modelling and Numerical Analysis · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueTopology Optimization in Engineering
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesAssociation Nationale de la Recherche et de la TechnologieInstitut national de recherche en informatique et en automatique (INRIA)
Mots-clésDiscretizationVector fieldMathematicsCurvatureShape optimizationContext (archaeology)Finite element methodApplied mathematicsField (mathematics)Eikonal equationMathematical analysisMathematical optimizationGeometryPhysics

Résumé

récupéré en direct d'OpenAlex

In the formulation of shape optimization problems, multiple geometric constraint functionals involve the signed distance function to the optimized shape Ω. The numerical evaluation of their shape derivatives requires to integrate some quantities along the normal rays to Ω, a challenging operation to implement, which is usually achieved thanks to the method of characteristics. The goal of the present paper is to propose an alternative, variational approach for this purpose. Our method amounts, in full generality, to compute integral quantities along the characteristic curves of a given velocity field without requiring the explicit knowledge of these curves on the spatial discretization; it rather relies on a variational problem which can be solved conveniently by the finite element method. The well-posedness of this problem is established thanks to a detailed analysis of weighted graph spaces of the advection operator β ⋅ ∇ associated to a C1 velocity field β. One novelty of our approach is the ability to handle velocity fields with possibly unbounded divergence: we do not assume div(β) ∈ L∞. Our working assumptions are fulfilled in the context of shape optimization of C2 domains Ω, where the velocity field β = ∇dΩ is an extension of the unit outward normal vector to the optimized shape. The efficiency of our variational method with respect to the direct integration of numerical quantities along rays is evaluated on several numerical examples. Classical albeit important implementation issues such as the calculation of a shape’s curvature and the detection of its skeleton are discussed. Finally, we demonstrate the convenience and potential of our method when it comes to enforcing maximum and minimum thickness constraints in structural shape optimization.

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)0,001
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: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 recherche0,0010,002
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 Opus0,014
Tête enseignante GPT0,229
Écart entre enseignants0,215 · 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'étudeThéorique ou conceptuel
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

Citations14
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueESAIM Mathematical Modelling and Numerical AnalysisMême sujetTopology Optimization in EngineeringTravaux en français237 207