Technique adaptative pour la méthode de Galerkin sans maillage en mécanique des milieux continus
Bibliographic record
Abstract
Je remercie mon directeur de recherche Benoît Ozell pour m'avoir accepté dans son laboratoire, ainsi qu'OSSimTech et le gouvernement canadien pour avoir financé ma maîtrise.Je tiens en particulier à remercier Vincent Magnoux pour son aide précieuse tout au long de ma maîtrise, et surtout pendant les mois de confinement !v RÉSUMÉ La Méthode de Galerkin Sans Maillage (MGSM) est une variante de la Méthode des Éléments Finis (MEF) utilisant un nuage de points non connectés par un maillage.Nous utilisons cette technique de l'analyse numérique pour approximer des problèmes d'élasticité linéaire se posant lors de la réalisation d'un simulateur de chirurgie.Ce travail traite d'un module d'adaptation permettant de relocaliser les degrés de liberté pour augmenter l'efficience de la MGSM.Il est composé d'un estimateur d'erreur reposant sur la décomposition polaire du gradient du déplacement.Un second sous-module consiste en un critère d'adaptation permettant de décider quelles parties de l'objet subdiviser ou décimer selon l'estimation de l'erreur.Enfin, on transforme ces parties en ajoutant ou retirant des degrés de liberté en respectant la structure régulière adoptée par le simulateur.Nous comparons ensuite le modèle avec et sans adaptabilité à une solution analytique dans une configuration de poutre encastrée soumise à la gravité.Nous effectuons en outre un test vérifiant que l'adaptation réagit convenablement à des déformations dynamiques.Nos résultats montrent que notre méthode n'est pas gourmande en temps de calcul, mais qu'elle augmente l'erreur contrairement à notre hypothèse de départ.Cela est dû aux discontinuités entre les milieux ayant été adaptés à différents niveaux.Autrement, tous nos objectifs relatifs au fonctionnement de l'adaptation, c'est-à-dire l'estimation de l'erreur, le critère d'adaptation, la subdivision et la décimation sont fonctionnels et validés.vi
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".