Speed comparison of solution methods for the obstacle problem
Notice bibliographique
Résumé
Obstacle problems can be solved iteratively.Several solution methods are implemented and their speeds are compared.Speed is measured both in terms of the number of iterations required to converge and the average CPU time needed for one iteration for each method.The implementation is done using MATLAB for problems in one and two dimensions.The Euler iterative method requires a large number of iterations to converge to the solution.The semismooth Newton's method (SSNM) requires fewer iterations.Even fewer iterations are achieved with the combined method, which alternates between several Euler steps and one SSNM step.The behavior of the three different solution methods is compared extensively, and the combined method is declared as the best. AbrgLes problmes de l'obstacle peuvent tre rsolus itrativement.Plusieurs mthodes numriques sont dveloppes et leurs vitesses sont compares.La vitesse d'une mthode est dtermine en considrant le nombre d'itrations ncessaires pour converger ainsi que le temps moyen requis par le processeur pour une seule itration.La ralisation est faite avec MATLAB en une et deux dimensions.La mthode itrative d'Euler exige un grand nombre d'itrations pour converger vers la solution.La mthode de Newton semismooth (MNSS) exige moins d'itrations.Les deux mthodes sont combines en alternant quelques pas d'Euler avec un pas de la MNSS.Encore moins d'itrations sont ncessaires pour cette mthode de combinaison.La performance des trois mthodes est compare et la mthode de combinaison est dclare gagnante.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».