A new, fast method for solving finite-element equations iteratively based on Gauss–Seidel
Notice bibliographique
Résumé
Solving large equation systems is the most time-consuming part of finite-element modelling – iterative techniques are favoured for models with numerous degrees of freedom where direct techniques have high storage requirements. Classical iterative techniques such as Gauss–Seidel (GS) are robust due to guaranteed convergence and algorithmic simplicity. Performance of iterative techniques chiefly depends on system scale and stiffness matrix properties – which are influenced by structural configuration. However, it is possible to adjust an iterative algorithm such that its speed is greatly enhanced for a certain class of structural configurations. This paper presents an adjusted GS solver, ‘constrained Gauss–Seidel’ (CGS), which has been formulated to solve typical multi-storey structures with an enhanced speed. The innovation in CGS originates from the adoption of a diaphragmatic relaxation mechanism that results in dividing equations into two groups to optimally deal with the different unknown types. In this paper, the concept and algorithm of the newly developed CGS method are elucidated. Then, 16 practical examples are solved to assess the solving speed of CGS against other iterative methods – GS and modified Gauss–Seidel (MGS, MGS*). The convergence speed of CGS attained 33 times, 3.7 times and 2 times those of GS, MGS and MGS*, respectively.
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 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».