TopADDPi: An Affordable and Sustainable Raspberry Pi Cluster for Parallel-Computing Topology Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Parallel-Computing Topology Optimization (PCTO) has gained importance, especially with the advancement of additive manufacturing (AM), due to its ability to tackle high-dimensional, high-resolution challenges. PCTO is highly relevant to sustainable manufacturing processes and technologies, enabling resource-efficient designs, reduced emissions, and advancements in Industry 4.0 integration. However, PCTO poses difficulties for newcomers or researchers, mainly because of its reliance on non-traditional computing environments and the limited availability of high-performance computing (HPC) resources. Addressing this, the study introduces TopADDPi, a Raspberry Pi-based cluster system, which has been purpose-built to facilitate learning and research in PCTO. It provides detailed instructions for assembling and configuring a Raspberry Pi cluster, with a focus on cost-effectiveness and ease of use. The study thoroughly investigates how different hardware and software configurations affect computing efficiency. In addition, through extensive numerical testing, the performance, energy consumption, and environmental impact of the Raspberry Pi cluster are benchmarked against conventional computing systems. The findings demonstrate the cluster’s advantages in handling parallel computing, its indispensable role in debugging, its remarkable energy efficiency, and its significantly reduced carbon footprint compared to conventional systems. These attributes establish the Raspberry Pi cluster as an invaluable tool for both educational and research applications in structural engineering, offering an affordable, sustainable, and indispensable solution for PCTO.
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.
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 découle