Comparison of deep learning techniques for prediction of stress distribution in stiffened panels
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
Compared to the finite element method (FEM), surrogate models for structural analysis enable more efficient assessment of a response under loads and subsequent optimization. Recent advancements in deep learning have allowed use of neural networks as surrogate models in a variety of fields with astonishing results. Nonetheless, their use for predicting stress distribution in stiffened panels is unexplored. Predicting stress fields is important for various limit states. We propose an approach to encode stiffened panels with various geometries into grid spaces, which can then be processed by a convolutional neural network (CNN). Uniform pressure and patch loading are considered. The performance of CNN using the proposed modeling approach is compared to multilayer perceptron (MLP) in predicting von Mises stress distribution in stiffened panels. Principle component analysis (PCA) is used to reduce the training complexity for MLP. Moreover, the effect of skip connections is investigated utilizing two different CNN architectures. Five case studies are conducted to assess the performance of these neural networks in predicting the stress distribution in stiffened panels across various geometric configurations, including variations in the number of stiffeners, loading and boundary conditions. The study reveals that CNNs, particularly with skip connections (U-Net), outperform MLP, achieving less than 5% mean absolute percentage error with respect to FEM results in all cases. MLP with PCA achieves satisfactory results for simpler problems, but cannot be trained for more complex tasks. CNNs effectively capture local stress variations in all cases. CNNs have good capability in predicting stress distribution with limited amount of data, making them a viable tool for real-world structural analysis.
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