Multi-output subspace identification of complex Bloch wavenumbers in 1D periodic structures
Notice bibliographique
Résumé
The experimental characterization of complex dispersion curves is challenging in phononic crystals, composites, periodic, architected or metamaterials. Recent studies have highlighted the importance of subspace identification methods in determining wave propagation properties through complex wavenumbers and, consequently, in characterizing a complex structure experimentally. Still, such methods have not yet been adapted for 1D periodic structures with periodic sampling limitations. This work introduces a Subspace-based complex Bloch WAveNumber identification method (SWAN) which can take advantage of full-field vibration measurements (i.e., multiple data points per unit cell) to statistically reduce the negative impact of having a limited number of unit cells. The SWAN method is based on a state-space representation of the wave finite element method. A symplectic state-space model is formulated and mathematically proved to represent the original system. Eventually, the proposed method enhances complex wavenumber estimates when a small number of unit cells is available. In addition, a general-purpose, adaptive spectral mask is introduced to reject physically irrelevant identification results, enabling straightforward denoising of the identified dispersion curves. The proposed approach is validated through numerical and experimental applications. • Subspace-based identification of complex wavenumbers in 1D periodic structures. • Multi-modal & multi-output wavenumber identification. • State-space model proposed for symplectic subspace identification. • Enhanced bandgap characterization with full-field vibration measurements. • General-purpose spectral mask for wavenumber selection.
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 | 0,000 | 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 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 ».