Topology Optimisation of Structural Steel with Non-Penalisation SEMDOT: Optimisation, Physical Nonlinear Analysis, and Benchmarking
Notice bibliographique
Résumé
In this work, Non-penalisation Smooth-Edged Material Distribution for Optimising Topology (np-SEMDOT) algorithm was developed as an alternative to well-established Topology Optimisation (TO) methods based on the solid/void approach. Its novelty lies in its smoother edges and enhanced manufacturability, but it requires validation in a real case study rather than using simplified benchmark problems. To such an end, a Sheikh-Ibrahim steel girder joint’s tension cover plate was optimised with np-SEMDOT, following a methodology designed to ensure compliance with the European design standards. The optimisation was assessed with Physical Nonlinear Finite Element Analyses (PhNLFEA), after recent findings that topologically optimised steel construction joint parts were not accurately modelled with linear analyses to ensure the required highly nonlinear ultimate behaviour. The results prove, on the one hand, that the quality of np-SEMDOT solutions strongly depends on the chosen optimisation parameters, and on the other hand, that the optimal np-SEMDOT solution can equalise the ultimate capacity and can slightly outperform the ultimate displacement of a benchmarking solution using a Solid Isotropic Material with Penalisation (SIMP)-based approach. It can be concluded that np-SEMDOT does not fall short of the prevalent methods. These findings highlight the novelty in this work by validating the use of np-SEMDOT for professional applications.
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 ».