Simulation probabiliste du problème de contact mécanique
Bibliographic record
Abstract
Dans la modélisation des structures par la méthode des éléments finis classique, les propriétés physiques et matérielles ainsi que les conditions aux limites sont considérées généralement déterministes au sens statistique. De ce constat, il est permis de s'interroger sur la validité de ia solution issue d'une telle modélisation. Les interrogations se multiplient lorsqu'on admet que les lois physiques qui régissent le comportement de la matière évoluent de manière aléatoire. Pour apporter des éléments de réponses à ces interrogations, nous avons étudié dans le cadre de ce projet par des méthodes probabilistes et stochastiques un certain nombre d'applications académiques et industrielles mettant en évidence l'effet des variations aléatoires des paramètres constituant ces lois sur îa solution. Dans le cadre de ces méthodes, l'échantillonnage et la discrétisation constitue des étapes primordiales qui contribuent à la construction, respectivement, du spectre de la solution et du système matriciel Ce dernier, une fois conditionné, permet de construire îa réponse éléments finis après résolution. Si on associe la probabilité et l'aléa à certains paramètres qui constituent ce système, alors la discrétisation de type éléments finis seule devient insuffisante pour produire le nouveau système matriciel qui, a priori, admet un caractère aléatoire ou stochastique absent du système d'équations. La méthode de Monte Carlo offre l'avantage de pallier aux difficultés rencontrées tors du processus de discrétisation. Les travaux de cette thèse se basent principalement sur l'exploitation des avantages de cette méthode voire son efficacité et la simplicité de sa mise en oeuvre. Deux exemples de contact de Hertz ainsi que des problèmes de contact multiphysiques académiques et industriels feront l'objet d'une analyse fiabiliste par cette méthode.
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 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".