finite element analysis
PulseAugur coverage of finite element analysis — every cluster mentioning finite element analysis across labs, papers, and developer communities, ranked by signal.
-
递归 Transformer 提高工程设计效率
研究人员开发了新的递归 Transformer 架构，旨在通过取代昂贵的仿真方法来提高工程设计效率。这些模型，包括提出的深度递归 Transformer，针对工程中常见的小型数据集进行了优化，减少了过拟合和计算开销。该研究系统地比较了预测性能、参数数量和计算复杂度，为在资源受限的情况下选择高效的递归 Transformer 架构提供了指导，特别适用于半导体封装的热机械分析和求解拉普拉斯偏微分方程等任务。
-
量子贝叶斯优化提升航空航天舱体组装效率
研究人员开发了一个量子安全集贝叶斯优化（QBO）框架，以提高航空航天舱体组装的效率。与经典的蒙特卡洛方法相比，这种新方法利用量子算法以更少的样本实现更高的环境响应估计精度。QBO框架利用量子预言机和上限置信度（Upper Confidence Bound）采集函数，为舱体部件选择最优调整，在实验结果中显示出显著更低的维度误差和不确定性。
-
AI原型通过文本和物理学自动化定制足部矫形器设计
研究人员开发了TANS-FO，一个用于定制足部矫形器自动化设计的原型系统。该系统使用文本对齐神经代理（TANS）来解释临床处方，并使用图神经网络（GNN）来预测生物力学应力，取代传统的有限元分析以获得更快的结果。该流程经过PicoFoot-5K数据库和Abaqus模拟的验证，可在几分钟内生成可制造的矫形器，显示预测的峰值压力显著降低，并在小型观察性研究中初步表明疼痛有所缓解。
-
新的最优控制方法通过误差估计自适应神经网络深度
研究人员开发了一种新颖的神经网络架构自适应方法，将训练视为一个连续时间最优控制问题。该方法使用后验误差估计来识别应插入新层的层，以改进近似误差。该框架引入了一种新架构，其中权重和偏置是跨层的分段线性函数，并利用双重加权残差方法进行误差界定。该方法在科学数据集上，包括学习Navier-Stokes方程的映射，已证明了卓越的泛化性能，优于现有的自适应技术。
-
网格图网络加速任意几何形状的结构仿真
研究人员开发了一个网格图网络（MGN）框架，用于加速结构设计的有限元分析（FEA）。该新模型克服了现有机器学习方法的局限性，无需重新训练即可泛化到不同几何形状。MGN框架表现出强大的性能，在未见过的几何形状和载荷上达到了0.97的R^2分数，显著优于传统模型。
-
VFEAgent 使用多模态人工智能自动化复杂的工程分析
研究人员推出 VFEAgent，一个新颖的多模态代理框架，旨在自动化整个有限元分析 (FEA) 工作流程。该系统处理图像输入和问题描述，以提取 FEA 的结构化规范。它利用具有 ReAct 推理的视觉-语言多代理管道和一个包含自调试的代码合成框架，以确保生成的模拟是可执行且物理有效的。在各种工程力学场景中的评估表明，VFEAgent 取得了很高的成功率，在可靠性和正确性方面优于现有的基于 LLM 的方法。
-
多AI智能体框架实现有限元分析自动化
研究人员开发了AbaqusAgent，一个利用大型语言模型自动化固力学问题有限元分析（FEA）的新型多智能体框架。该系统将自然语言指令转换为使用Abaqus软件的可执行模拟，涵盖所有必要的预处理和后处理步骤。AbaqusAgent在50个不同问题上展示了86%的成功率，显著降低了FEA的入门门槛，并促进了人机交互。
-
FEA-PINN 以可比的精度加速熔池模拟
研究人员开发了一个名为 FEA-Regulated Physics-Informed Neural Network (FEA-PINN) 的新框架，用于加速激光粉末床熔融 (LPBF) 中熔池动力学的模拟。这种新方法在推理阶段整合了校正性有限元分析 (FEA) 模拟，以保持物理一致性并减少误差漂移，尤其是在捕捉陡峭梯度方面。FEA-PINN 框架能有效处理动态相变、温度依赖性材料特性和各种对流效应，实现了与传统 FEA 方法相当的精度…