Accelerated Computation of Large-Order and Nonlinear Finite Element Models
Notice bibliographique
Résumé
In this paper, we discuss a physics-based framework for accelerated computation of large-order linear and nonlinear finite element models. We utilize the word physics-based to differentiate from accelerated computation achieved via other means such as neural networks. The typical manner in which system-level finite element models are developed is by first constructing the sub-system level (hereafter referred to as component) finite element models and then imposing constraint equations along the connecting interfaces to impose displacement compatibility and force equilibrium. In this way, the finite element model of large complex systems can be constructed from its components in a systematic fashion. The resulting system-level finite element model will often be of large-order (100M+ degrees of freedoms) especially if high resolution stress calculations are desired. The solution of such large-order finite element models in either frequency- or time-domain can easily become infeasible even on cloud-based super-computers. However, high-speed computation can still be achieved algorithmically with a proper framework for computation. By utilizing methodologies such as Residual-Flexibility Mixed-Boundary (RFMB), reduced-order component level models which fully preserve the accuracy of the upstream component finite element model can be developed. From these reduced-order components, the system-level model can be constructed which can now compute any desired forcing function for the subject assessment, including long duration stochastics inputs. The deployment of this methodology and framework are demonstrated through application examples, which include irregular wave fatigue of flexible risers, dynamics of a floating structure topside/hull, random vibrations of cokers, and stresses in thermoplastic composite pipe.
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 ».