A “data-driven uncertainty” computational method to model and predict instabilities of a frictional system
Notice bibliographique
Résumé
Abstract Most of the recently developed methods for predicting instabilities of frictional systems couple stochastic algorithms with the finite element method (FEM). They use random variables to model the uncertainty of input parameters through standard probability laws. Regardless of the fact that advanced numerical schemes are available nowadays, a systematic and accurate method to describe finely the uncertainties upstream the model, and thus predict its response is still missing. In this contribution, we present a data-driven stochastic finite element scheme to predict the dynamic behavior of a rubbing system. The proposed framework relies on data-driven approach and uses four steps. In the first, the measured data are integrated directly, for the uncertainty quantification, by means of the random balance design (RBD). In the second step, the generated stochastic data are evaluated in an iterative way to solve friction-induced vibration problem. In the third step, the resulted data are reordered in such a way that the corresponding values of each measured input parameters are ranked in ascending order. Finally, the Fourier spectrum is introduced on the reordered results to compute the sensitivity indices. Thus, instead of Monte Carlo-based formalism or Fourier Amplitude Sensitivity Test (FAST), the computational cost of the proposed method is kept down to $$\mathcal {O}(N)$$ O ( N ) with N the number of samples. We investigate the efficiency of the suggested solver on a reduced brake system. Altogether, the suggested procedure achieves excellent accuracy at a much reduced computational time compared to the methods available in the literature.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».