TopADDPi: An Affordable and Sustainable Raspberry Pi Cluster for Parallel-Computing Topology Optimization
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».