ترجمه فارسی مقاله مواد آوایی با ویژگی‌های سلسله مراتبی جداسازی شده به طور موثر با استفاده از یادگیری ماشینی قابل تفسیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Phononic materials with effectively scale-separated hierarchical features using interpretable machine learning
عنوان مقاله به فارسی مواد آوایی با ویژگی‌های سلسله مراتبی جداسازی شده به طور موثر با استفاده از یادگیری ماشینی قابل تفسیر
نویسندگان Mary V. Bastawrous, Zhi Chen, Alexander C. Ogren, Chiara Daraio, Cynthia Rudin, L. Catherine Brinson
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Applied Physics,Machine Learning,فیزیک کاربردی , یادگیری ماشین ,
توضیحات Submitted 15 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 15 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Manipulating the dispersive characteristics of vibrational waves is beneficial for many applications, e.g., high-precision instruments. architected hierarchical phononic materials have sparked promise tunability of elastodynamic waves and vibrations over multiple frequency ranges. In this article, hierarchical unit-cells are obtained, where features at each length scale result in a band gap within a targeted frequency range. Our novel approach, the ``hierarchical unit-cell template method,'' is an interpretable machine-learning approach that uncovers global unit-cell shape/topology patterns corresponding to predefined band-gap objectives. A scale-separation effect is observed where the coarse-scale band-gap objective is mostly unaffected by the fine-scale features despite the closeness of their length scales, thus enabling an efficient hierarchical algorithm. Moreover, the hierarchical patterns revealed are not predefined or self-similar hierarchies as common in current hierarchical phononic materials. Thus, our approach offers a flexible and efficient method for the exploration of new regions in the hierarchical design space, extracting minimal effective patterns for inverse design in applications targeting multiple frequency ranges.

چکیده به فارسی (ترجمه ماشینی)

دستکاری ویژگی های پراکنده امواج ارتعاش برای بسیاری از برنامه ها ، به عنوان مثال ، ابزارهای با دقت بالا مفید است.مواد آوایی سلسله مراتبی معماری ، قابلیت تنظیم امواج الاستودینامیکی و ارتعاشات را در محدوده فرکانس های مختلف برانگیخته است.در این مقاله ، سلول های واحد سلسله مراتبی به دست می آیند ، که در آن ویژگی ها در هر مقیاس طول منجر به شکاف باند در محدوده فرکانس هدفمند می شود.رویکرد جدید ما ، "روش الگوی سلسله مراتبی واحد سلسله مراتبی" ، یک رویکرد یادگیری ماشین قابل تفسیر است که الگوهای شکل/توپولوژی واحد جهانی را که مربوط به اهداف باند باند از پیش تعریف شده است ، کشف می کند.یک اثر جداسازی مقیاس مشاهده می شود که در آن هدف شکاف باند در مقیاس درشت بیشتر از ویژگی های مقیاس خوب با وجود نزدیکی مقیاس های طول آنها بی تأثیر است ، بنابراین یک الگوریتم سلسله مراتبی کارآمد را قادر می سازد.علاوه بر این ، الگوهای سلسله مراتبی نشان داده شده سلسله مراتب از پیش تعریف شده یا خودکشی نیستند که در مواد واجی سلسله مراتبی فعلی رایج است.بنابراین ، رویکرد ما یک روش انعطاف پذیر و کارآمد برای اکتشاف مناطق جدید در فضای طراحی سلسله مراتبی ارائه می دهد و حداقل الگوهای مؤثر را برای طراحی معکوس در برنامه هایی که دارای چندین فرکانس هستند ، استخراج می کند.

📚 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.