finite element analysis
PulseAugur coverage of finite element analysis — every cluster mentioning finite element analysis across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
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…