Research on an efficient prediction for deformations of thread connections based on deep transfer learning
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.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».