MétaCan
Menu
Retour à la cohorte
Enregistrement W4295253178 · doi:10.48550/arxiv.2108.13526

Computational Design of Active 3D-Printed Multi-State Structures for\n Shape Morphing

2021· preprint· W4295253178 sur OpenAlexaff
Thomas S. Lumpe, Michael Tao, Kristina Shea, David Levin

Notice bibliographique

RevuearXiv (Cornell University) · 2021
Typepreprint
Langue
DomaineEngineering
ThématiqueTopology Optimization in Engineering
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMorphingComputer scienceCompliant mechanismTopology optimizationDitherControl engineeringMechanical engineeringEngineering drawingFinite element methodEngineeringStructural engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Active structures have the ability to change their shape, properties, and\nfunctionality as a response to changing operational conditions, which makes\nthem more versatile than their static counterparts. However, most active\nstructures currently lack the capability to achieve multiple, different target\nstates with a single input actuation or require a tedious material programming\nstep. Furthermore, the systematic design and fabrication of active structures\nis still a challenge as many structures are designed by hand in a trial and\nerror process and thus are limited by engineers' knowledge and experience. In\nthis work, a computational design and fabrication framework is proposed to\ngenerate structures with multiple target states for one input actuation that\ndon't require a separate training step. A material dithering scheme based on\nmulti-material 3D printing is combined with locally applied copper coil heating\nelements and sequential heating patterns to control the thermo-mechanical\nproperties of the structures and switch between the different deformation\nmodes. A novel topology optimization approach based on power diagrams is used\nto encode the different target states in the structure while ensuring the\nfabricability of the structures and the compatibility with the drop-in heating\nelements. The versatility of the proposed framework is demonstrated for four\ndifferent example structures from engineering and computer graphics. The\nnumerical and experimental results show that the optimization framework can\nproduce structures that show the desired motion, but experimental accuracy is\nlimited by current fabrication methods. The generality of the proposed method\nmakes it suitable for the development of structures for applications in many\ndifferent fields from aerospace to robotics to animated fabrication in computer\ngraphics.\n

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,065
Tête enseignante GPT0,201
Écart entre enseignants0,136 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuearXiv (Cornell University)Même sujetTopology Optimization in EngineeringTravaux en français237 207