Research on an efficient prediction for deformations of thread connections based on deep transfer learning
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
Threaded connections are essential components in mechanical assemblies, subjected to complex deformations under various loading conditions (e.g., tension, torque, bending, and shear), influenced by bolt geometry and material properties. Accurate deformation prediction under complex loading conditions is critical for structural safety. This study presents an efficient method for rapid multi-dimensional deformation prediction in threaded connections under combined loading, utilizing deep transfer learning(TL) to address various bolt types and loading scenarios. A simplified static analysis model is first developed to predict deformations under combined loads, validated through comparisons with finite element analysis (FEA) results. A deep neural network (DNN) is pre-trained on a large deformation dataset to learn complex load-deformation relationships. TL is applied to leverage knowledge from the pre-trained model, improving prediction accuracy and generalization across bolt types. Latin Hypercube Sampling (LHS) is used to generate a sparse dataset for bolts with varying geometries and materials. Experimental results demonstrate that this method reduces computational costs and accurately simulates nonlinear deformations. For complex loading conditions, the proposed model requires only 0.14% of the computation time compared to the FEM (4.2 s vs. 3000 s). For different bolt types, the prediction accuracy reaches up to 96.6% after transfer learning. This approach provides a cost-effective alternative to computationally intensive FEA, enabling real-time, large-scale applications in engineering design and structural assessment.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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