Multi-Joint Topology Optimization: An Effective Approach for Practical Multi-Material Design Problems
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">With the recent push for electrification, automotive engineers are constantly striving to improve efficiency and performance of vehicle concepts. Although multiple vehicle attributes affect range, the overall mass of the vehicle plays a significant role. Computational tools such as topology optimization (TO) have long been utilized in industry to reduce mass while meeting structural design constraints. Over time, TO methods have been extended from traditional single material topology optimization (SMTO) to advanced methods such as multi-material topology optimization (MMTO). These advanced computational tools provide more design freedom in the conceptual design phase to develop superior load paths not possible with SMTO. However, MMTO is limited by the assumption of perfect joining between dissimilar materials, requiring manual re-interpretation to develop manufacturable designs. Multi-joint topology optimization (MJTO) has been developed to incorporate material joining within the optimization loop, producing designs which require less manual interpretation. In this paper, an improved MJTO methodology is presented which aims to address limitations of previous methods. Here, the MJTO problem is extended to consider multiple joint materials and joint cost responses in unstructured meshes. A complete review of the improved method, including all related material interpolation schemes and sensitivity expressions is presented with reference to fundamental concepts of SMTO and MMTO. Issues from previous methods are highlighted throughout to provide background and support the rationale behind the new approach. A modified interface detection method and a novel combined filtering scheme are introduced to improve interface quality and convergence stability issues from previous implementations. In the last section, multiple case studies are presented to demonstrate the capability of the improved MJTO approach for 2D and 3D unstructured meshes. MJTO results are compared to MMTO solutions for equivalent problems, and the implications of including material joining within the optimization loop are discussed.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».