Développement d'une méthode d'optimisation de topologie évolutive en élastostatique tridimensionnelle pour des conditions de changement multiples
Bibliographic record
Abstract
Le groupe de recherche OptiS de l'Université de Sherbrooke est dirigé par M. Jean-Marc Drouet, professeur au département de génie mécanique, et se spécialise en optimisation des structures.Le projet de maîtrise présenté dans cet ouvrage est conduit par Steve Labbé et s'incrit dans les activités de ce groupe de recherche. Il a pour but d'implémenter la méthode d'optimisation structurale évolutive pour l'application de cas de chargement multiples et d'adapter cette méthode afin de permettre l'application de cas de chargement fournis sous forme échantillonnée. L'entreprise Cycles Devinci inc. est un partenaire important dans le financement et la mise en oeuvre de ce projet. Les travaux sont séparés en trois étapes: (1) L'implémentation de la méthode d'optimisation structurale évolutive pour une structure tridimensionnelle sur laquelle est appliqué un seul cas de chargement est effectuée et la validité des résultats obtenus est vérifiée en comparant ces résultats à ceux présents dans la, littérature scientifique (2) La méthode est adaptée pour permettre l'optimisation de structures tridimensionnelles sur lesquelles sont appliqués plusieurs cas de chargement: (3) Enfin, une méthode de prédiction de contraintes est développée pour permettre la sélection d'échantillons considérés critiques pour l'optimisation de la structure. Cette méthode est validée en comparant ses résultats à ceux obtenus par la méthode d'analyse par éléments finis et la preuve en est faite qu'elle permet de réduire considérablement le temps nécessaire aux calculs. La possibilité de considérer des cas de chargement provenant d'un échantillonnage expérimental pour l'optimisation structurale représente une nouveauté dans ce domaine d'étude et ajoute à l'applicabilité des méthodes d'optimisation structurale.
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 | 0.001 | 0.002 |
| 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 | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
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".