اکسپرس 24
ترجمه فارسی مقاله بهینه‌سازی توپولوژی همزمان و بدون شبکه با فرآیندهای گاوسی مبتنی بر فیزیک

ترجمه فارسی مقاله بهینه‌سازی توپولوژی همزمان و بدون شبکه با فرآیندهای گاوسی مبتنی بر فیزیک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Simultaneous and Meshfree Topology Optimization with Physics-informed Gaussian Processes
عنوان مقاله به فارسی بهینه‌سازی توپولوژی همزمان و بدون شبکه با فرآیندهای گاوسی مبتنی بر فیزیک
نویسندگان Amin Yousefpour, Shirin Hosseinmardi, Carlos Mora, Ramin Bostanabad
فرمت مقاله انگلیسی PDF
تعداد صفحات 31
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 6 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,240,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Topology optimization (TO) provides a principled mathematical approach for optimizing the performance of a structure by designing its material spatial distribution in a pre-defined domain and subject to a set of constraints. The majority of existing TO approaches leverage numerical solvers for design evaluations during the optimization and hence have a nested nature and rely on discretizing the design variables. Contrary to these approaches, herein we develop a new class of TO methods based on the framework of Gaussian processes (GPs) whose mean functions are parameterized via deep neural networks. Specifically, we place GP priors on all design and state variables to represent them via parameterized continuous functions. These GPs share a deep neural network as their mean function but have as many independent kernels as there are state and design variables. We estimate all the parameters of our model in a single for loop that optimizes a penalized version of the performance metric where the penalty terms correspond to the state equations and design constraints. Attractive features of our approach include $(1)$ having a built-in continuation nature since the performance metric is optimized at the same time that the state equations are solved, and $(2)$ being discretization-invariant and accommodating complex domains and topologies. To test our method against conventional TO approaches implemented in commercial software, we evaluate it on four problems involving the minimization of dissipated power in Stokes flow. The results indicate that our approach does not need filtering techniques, has consistent computational costs, and is highly robust against random initializations and problem setup.

چکیده به فارسی (ترجمه ماشینی)

بهینه سازی توپولوژی (به) یک رویکرد ریاضی اصولی برای بهینه سازی عملکرد یک ساختار با طراحی توزیع مکانی مادی آن در یک دامنه از پیش تعریف شده و در معرض مجموعه ای از محدودیت ها فراهم می کند.اکثریت موجود برای رویکردهای اهرم حلالهای عددی برای ارزیابی طراحی در طی بهینه سازی و از این رو ماهیت تو در تو دارند و به گسسته کردن متغیرهای طراحی متکی هستند.برخلاف این رویکردها ، در اینجا ما کلاس جدیدی را به روشهای مبتنی بر چارچوب فرآیندهای گاوسی (GPS) توسعه می دهیم که میانگین عملکرد آنها از طریق شبکه های عصبی عمیق پارامتر می شود.به طور خاص ، ما مقدمات GP را بر روی کلیه متغیرهای طراحی و حالت قرار می دهیم تا آنها را از طریق توابع مداوم پارامتری نشان دهند.این GP ها یک شبکه عصبی عمیق را به عنوان میانگین عملکرد خود به اشتراک می گذارند اما به همان اندازه هسته های مستقل دارند که متغیرهای حالت و طراحی وجود دارد.ما تمام پارامترهای مدل خود را در یک حلقه برای یک حلقه تخمین می زنیم که یک نسخه مجازات شده از متریک عملکرد را بهینه می کند که در آن شرایط مجازات با معادلات دولت و محدودیت های طراحی مطابقت دارد.ویژگی های جذاب رویکرد ما شامل (1) $ است که دارای ماهیت مداوم داخلی است زیرا متریک عملکرد در همان زمان که معادلات دولتی حل شده است ، و 2) $ (2) $ است که گسسته سازی-متغیر و دارای دامنه های پیچیده استتوپولوژیبرای آزمایش روش خود در برابر رویکردهای متعارف به روشهای تجاری در نرم افزار تجاری ، ما آن را بر روی چهار مشکل شامل به حداقل رساندن قدرت از بین رفته در جریان استوکس ارزیابی می کنیم.نتایج نشان می دهد که رویکرد ما نیازی به تکنیک های فیلتر ندارد ، هزینه های محاسباتی مداوم دارد و در برابر اولیه سازی تصادفی و راه اندازی مشکل بسیار قوی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.