Error Sampling and Synthesis for High-Order Node Movement
Notice bibliographique
Résumé
The presented work focuses on the error sampling and synthesis procedure within an optimization framework for high-order, metric-based mesh adaptation in high-order, finite-element (FEM) discretization. This mesh optimization framework is designed to handle arbitrary FEM discretization order, geometry order, and element types. In performing a metric-based adaptation, the framework uses a high-order Riemannian metric field to encode the curvature, anisotropy, and global coupling between vertices and high-order geometry nodes. An error model and a cost model are employed to iteratively construct the desired Riemannian metric field and guide a series of globally coupled vertex (r-adaptation) and high-order geometry (q-adaptation) node movements. The resulting mesh is an optimal high-order (curved) mesh that conforms to the specified metric field. The error model requires an error sampling and synthesis procedure, which involves several steps, including element splitting, random sampling of high-order geometry node movements, and estimating the metric-based error kernel on each mesh element. This paper aims to: 1) discuss the theoretical underpinnings of a robust, a posteriori, metric-based error model for qr-adaptation and 2) provide a status update on the 1D HOMES algorithm, which is a native extension of the Mesh Optimization via Error Sampling and Synthesis (MOESS) algorithm to a higher order.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».