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
Thin coatings of relatively stiff material on relatively lightweight and compliant substrates, such as a metal coating deposited on a polymer, can produce high performance-to-weight ratio structures for engineering applications dominated by bending and torsion. Additive manufacturing techniques combined with electrodeposition enable manufacturing of structures with complex geometries and very thin coatings relative to the bulk thickness. Topology optimization is an attractive tool for designing such structures, as it does not require intuition about the optimal topology beforehand. While topology optimization methods have been developed for coated structures, their use of ersatz material methods makes them unsuited to very thin coatings, such as those produced by electrodeposition. A mixed-dimensional finite element model is developed in this thesis to model very thin coatings, involving the development of a transition finite element. This model is incorporated into a level set topology optimization algorithm, which requires the development of a heuristic-based discrete topology change step. Numerical studies are presented for MBB-beam and L-beam problems for a variety of initial geometries. The mixed-dimensional algorithm is shown to produce results similar to a reference solution for an MBB beam with a relatively thick coating, and results are also shown for more realistic material properties and dimensions. Converged solutions exhibit multimodality and unintuitive features resulting from the algorithm falling into local minima. The type of topology optimization algorithm developed in this thesis is a step forward in the optimization of thin-coated structures, but development of additional heuristics and post-processing methods is required for practical use.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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