Using Adaptive Surrogate Models to Accelerate Multi-Objective Design Optimization of MEMS
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
This study presents a comprehensive multi-objective optimization framework specifically designed for micro-electromechanical systems (MEMS). The framework integrates both traditional and adaptive optimization techniques, named Surrogate-Assisted Multi-Objective Optimization (SAMOO) and Adaptive-SAMOO (A-SAMOO), respectively. By addressing key limitations of traditional approaches, such as the consideration of objective constraints and the provision of multiple design options, the proposed framework enhances both flexibility and practical applicability. Results show that adaptive optimization outperforms traditional offline methods by delivering a greater number and higher quality of optimal solutions while requiring fewer finite element method simulations. The adaptive approach showed a significant advantage by attaining high-quality solutions while requiring only 2.8% of the finite element method (FEM) evaluations compared to traditional methods that do not incorporate surrogate models. This performance boost highlights the advantages of online learning in enhancing the accuracy, speed, and diversity of solutions in MEMS optimization. These optimization schemes were tested on multiple MEMS devices with varying physics and complexities, specifically the U-shaped Lorentz force actuator, serpentine Lorentz force actuator, and thermal actuator. The results highlight the robustness and versatility of the proposed methods, particularly in addressing cases involving discrete design variables and strict objective constraints. This comprehensive, step-by-step framework serves as a valuable resource for researchers and practitioners aiming to optimize MEMS designs from the ground up, providing a reliable and effective approach to multi-objective optimization in MEMS applications.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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