Ólínuleg hegðun járnbentrar steinsteypu. Greining á bitum með frjálsum opnum hugbúnaði
Bibliographic record
Abstract
Aukinn skilningur og betri greiningartækni á raunhegðun járnbentra burðareininga leiða til betri hönnunar. \nMeginmarkmið þessa verkefnis var að kanna möguleika á að nota frjálsan hugbúnað til að herma ólínulega raunhegðun einfalt undirstuddra bita úr járnbentri steinsteypu upp að broti. Aðallega var stuðst við OpenSees hugbúnaðinn sem þróaður er af Pacific Earthquake Engineering Research Center (PEER) sem hefur höfuðstöðvar við Berkeley háskóla í Kaliforníu. Önnur opin forrit voru einnig skoðuð en ekki verður nánar fjallað um þau í þessu verkefni. Til samanburðar við OpenSees var skrifað sértækt forrit, kallað M-kappa, sem getur hermt ólínulegar formbreytingar í bæði innspenntum svifbitum og einfalt undirstuddum bitum. Loks var ítarlega fjallað um notkun handreikninga til nálgunar ólínulegra formbreytinga þótt þeir séu í eðli sínu að hluta til byggðir á línulegum aðferðum. \nStuðst var við tilraunaniðurstöður þriggja bitaprófana í verkefninu. Prófanirnar voru framkvæmdar í Toronto í Kanada árið 2003 auk bitaprófana sem gerðar voru í tilraunastofu Háskóla Íslands VR-III vorið 2011 og haustið 2012. Alls voru 16 bitar hermdir í tölvu-forritum. \nBitarnir sem prófaðir voru í VR-III vorið 2011 sýna hegðun þar sem beygja er ráðandi þáttur en bitar sem prófaðir voru haustið 2012 sýna svörun sem er samblanda af beygju- og skúfáhrifum. Torontobitarnir hafa hins vegar hátt járnhlutfall og ólínulegar skúfform-breytingar eru ráðandi. \nÞær ólínulegu FEM einingar (e. Finite Element) sem OpenSees styðst við taka ekki tillit til ólínulegra skúfformbreytinga. Í verkefninu er fjallað um mögulegar leiðir til að betrumbæta reiknilíkön OpenSees með tilliti til þessa. Að öðru leyti gera ólínulegu FEM einingarnar úr OpenSees það sem til er ætlast og niðurstöður hermana eru ágætar þegar beygjuáhrif eru ráðandi.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.245 | 0.106 |
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".