1,720,996 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Full text linkThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Traitement de maquettes numériques pour la préparation de modèles de simulation en conception de produits à l'aide de techniques d'intelligence artificielle
Full text linkControlling the well-known triptych costs, quality and time during the different phases of the Product Development Process (PDP) is an everlasting challenge for the industry. Among the numerous issues that are to be addressed, the development of new methods and tools to adapt to the various needs the models used all along the PDP is certainly one of the most challenging and promising improvement area. This is particularly true for the adaptation of CAD (Computer-Aided Design) models to CAE (Computer-Aided Engineering) applications. Today, even if methods and tools exist, such a preparation phase still requires a deep knowledge and a huge amount of time when considering Digital Mock-Up (DMU) composed of several hundreds of thousands of parts. Thus, being able to estimate a priori the impact of DMU preparation process on the simulation results would help identifying the best process right from the beginning, and this will ensure a better control of processes and preparation costs. This thesis addresses such a difficult problem and uses Artificial Intelligence (AI) techniques to learn and accurately predict behaviors from carefully selected examples. The main idea is to identify rules from these examples used as inputs of learning algorithms. Once those rules obtained, they can be used as estimators to be applied a priori on new cases for which the impact of a preparation process can be estimated without having to perform it. To reach this objective, a method to build a representative database of examples has been developed, the right input and output variables have been identified, then the learning model and its associated control parameters have been tuned. The performance of a preparation process is assessed by criteria like preparation costs, analysis costs and the errors induced by the simplifications on the analysis results. The first challenge of the proposed approach is to extract and select most relevant input variables from the original and 3D prepared models, which are completed with data characterizing the preparation processes. Another challenge is to configure learning models able to assess with good accuracy the quality of a process, despite a limited number of examples of preparation processes and data available (the only data known to a new case are the data that characterize the original CAD models and simulation case). In the end, the estimator of the process’ performance will help analysts in the selection of CAD model preparation operations. This does not exempt the analysts to make the numerical simulation. However, this will get faster a simplified model of best quality. The rules linking the output variables to the input ones are obtained using AI techniques such as well-known neural networks and decision trees. The proposed approach is illustrated and validated on industrial examples in the context of CFD simulations.Maitriser le triptyque coût-qualité-délai lors des différentes phases du Processus de Développement d’un Produit (PDP) dans un environnement de plus en plus concurrentiel est un enjeu majeur pour l’industrie. Le développement de nouvelles méthodes et de nouveaux outils pour adapter une représentation du produit à une activité du PDP est l’une des nombreuses pistes d’amélioration du processus et certainement l’une des plus prometteuses. Cela est particulièrement vrai dans le domaine du transfert de modèles de Conception Assistée par Ordinateur (CAO) vers des activités de simulations numériques. Actuellement, les méthodes et outils de préparation d’un modèle CAO original vers un modèle dédié à une activité existent. Cependant, ces processus de préparation sont des tâches complexes qui reposent souvent sur les connaissances des experts et sont peu formalisés, en particulier lorsque l’on considère des maquettes numériques riches comprenant plusieurs centaines de milliers de pièces. Pouvoir estimer a priori l’impact de la préparation de la maquette numérique sur le résultat de la simulation permettrait d’identifier dès le début le meilleur processus et assurerait une meilleure maitrise des processus et des coûts de préparation. Cette thèse a pour objectif de relever ce défi en utilisant des techniques d’intelligence artificielles capables d'imiter et de prévoir un comportement à partir d'exemples judicieusement choisis. L’idée principale est d’utiliser des exemples de préparation de maquettes numériques comme entrées d’algorithmes d’apprentissage pour configurer des estimateurs de la performance d’un processus. Lorsqu’un nouveau cas se présente, ces estimateurs pourront alors prédire a priori l’impact de la préparation sur le résultat de l’analyse sans avoir à la réaliser. Afin d'atteindre cet objectif, une méthode a été développée pour construire une base d’exemples représentatifs, identifier les variables d’entrée et de sortie déterminantes et configurer des modèles d’apprentissage. La performance d’un processus de préparation sera évaluée à l’aide de critères tels que des coûts de préparation, des coûts de simulation et des erreurs sur le résultat de l’analyse dues à la simplification des modèles CAO. Ces critères seront les données de sortie des algorithmes d’apprentissage. Le premier challenge de l’approche proposée est d’extraire les données des modèles 3D complétées par des données relatives au cas de simulation qui caractérisent au mieux un processus de préparation , puis d’identifier les variables explicatives les plus déterminantes. Un autre challenge est de configurer des modèles d’apprentissage capables d’évaluer avec une bonne précision la qualité d’un processus malgré un nombre limité d’exemples de processus de préparation et de données disponibles (seules les données relatives aux modèles CAO originaux, aux cas de simulation sont connues pour un nouveau cas). Au final, l’estimateur de la performance d’un processus aidera les analystes dans le choix d'opérations de préparation de modèles CAO. Cela ne les dispensera pas de la simulation mais permettra d'obtenir plus rapidement un modèle préparé de meilleure qualité. Les techniques d’intelligence artificielles utilisées seront des classifieurs de type réseaux de neurones ou arbres de décision. L’approche proposée sera appliquée à la préparation de modèles CAO riches pour l’analyse CFD
A priori evaluation of simulation models preparation processes using artificial intelligence techniques
No full textMaitriser le triptyque coût-qualité-délai lors des différentes phases du Processus de Développement d’un Produit (PDP) dans un environnement de plus en plus concurrentiel est un enjeu majeur pour l’industrie. Le développement de nouvelles méthodes et de nouveaux outils pour adapter une représentation du produit à une activité du PDP est l’une des nombreuses pistes d’amélioration du processus et certainement l’une des plus prometteuses. Cela est particulièrement vrai dans le domaine du transfert de modèles de Conception Assistée par Ordinateur (CAO) vers des activités de simulations numériques. Actuellement, les méthodes et outils de préparation d’un modèle CAO original vers un modèle dédié à une activité existent. Cependant, ces processus de préparation sont des tâches complexes qui reposent souvent sur les connaissances des experts et sont peu formalisés, en particulier lorsque l’on considère des maquettes numériques riches comprenant plusieurs centaines de milliers de pièces. Pouvoir estimer a priori l’impact de la préparation de la maquette numérique sur le résultat de la simulation permettrait d’identifier dès le début le meilleur processus et assurerait une meilleure maitrise des processus et des coûts de préparation. Cette thèse a pour objectif de relever ce défi en utilisant des techniques d’intelligence artificielles capables d'imiter et de prévoir un comportement à partir d'exemples judicieusement choisis. L’idée principale est d’utiliser des exemples de préparation de maquettes numériques comme entrées d’algorithmes d’apprentissage pour configurer des estimateurs de la performance d’un processus. Lorsqu’un nouveau cas se présente, ces estimateurs pourront alors prédire a priori l’impact de la préparation sur le résultat de l’analyse sans avoir à la réaliser. Afin d'atteindre cet objectif, une méthode a été développée pour construire une base d’exemples représentatifs, identifier les variables d’entrée et de sortie déterminantes et configurer des modèles d’apprentissage. La performance d’un processus de préparation sera évaluée à l’aide de critères tels que des coûts de préparation, des coûts de simulation et des erreurs sur le résultat de l’analyse dues à la simplification des modèles CAO. Ces critères seront les données de sortie des algorithmes d’apprentissage. Le premier challenge de l’approche proposée est d’extraire les données des modèles 3D complétées par des données relatives au cas de simulation qui caractérisent au mieux un processus de préparation , puis d’identifier les variables explicatives les plus déterminantes. Un autre challenge est de configurer des modèles d’apprentissage capables d’évaluer avec une bonne précision la qualité d’un processus malgré un nombre limité d’exemples de processus de préparation et de données disponibles (seules les données relatives aux modèles CAO originaux, aux cas de simulation sont connues pour un nouveau cas). Au final, l’estimateur de la performance d’un processus aidera les analystes dans le choix d'opérations de préparation de modèles CAO. Cela ne les dispensera pas de la simulation mais permettra d'obtenir plus rapidement un modèle préparé de meilleure qualité. Les techniques d’intelligence artificielles utilisées seront des classifieurs de type réseaux de neurones ou arbres de décision. L’approche proposée sera appliquée à la préparation de modèles CAO riches pour l’analyse CFD.Controlling the well-known triptych costs, quality and time during the different phases of the Product Development Process (PDP) is an everlasting challenge for the industry. Among the numerous issues that are to be addressed, the development of new methods and tools to adapt to the various needs the models used all along the PDP is certainly one of the most challenging and promising improvement area. This is particularly true for the adaptation of CAD (Computer-Aided Design) models to CAE (Computer-Aided Engineering) applications. Today, even if methods and tools exist, such a preparation phase still requires a deep knowledge and a huge amount of time when considering Digital Mock-Up (DMU) composed of several hundreds of thousands of parts. Thus, being able to estimate a priori the impact of DMU preparation process on the simulation results would help identifying the best process right from the beginning, and this will ensure a better control of processes and preparation costs. This thesis addresses such a difficult problem and uses Artificial Intelligence (AI) techniques to learn and accurately predict behaviors from carefully selected examples. The main idea is to identify rules from these examples used as inputs of learning algorithms. Once those rules obtained, they can be used as estimators to be applied a priori on new cases for which the impact of a preparation process can be estimated without having to perform it. To reach this objective, a method to build a representative database of examples has been developed, the right input and output variables have been identified, then the learning model and its associated control parameters have been tuned. The performance of a preparation process is assessed by criteria like preparation costs, analysis costs and the errors induced by the simplifications on the analysis results. The first challenge of the proposed approach is to extract and select most relevant input variables from the original and 3D prepared models, which are completed with data characterizing the preparation processes. Another challenge is to configure learning models able to assess with good accuracy the quality of a process, despite a limited number of examples of preparation processes and data available (the only data known to a new case are the data that characterize the original CAD models and simulation case). In the end, the estimator of the process’ performance will help analysts in the selection of CAD model preparation operations. This does not exempt the analysts to make the numerical simulation. However, this will get faster a simplified model of best quality. The rules linking the output variables to the input ones are obtained using AI techniques such as well-known neural networks and decision trees. The proposed approach is illustrated and validated on industrial examples in the context of CFD simulations
Variations on the Author
Full text link“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Full text linkWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
3D Generative Adversarial Networks for Design, Optimization and Validation in Additive Manufacturing
No full textLe besoin croissant de produits organiques et efficaces en coûts, matériaux et temps en industrie, incite la recherche à développer des nouvelles méthodes de design. L'optimisation topologique (TO) en fait partie. TO prend des contraintes mécaniques en entrée et génèrent des formes complexes optimales en termes de matériau et de performance mécanique. La fabrication additive (FA) vient la compléter; elle permet la fabrication de n'importe quelle forme. Cependant, cette synergie entre TO et FA n'est pas idéale. En effet, la FA requiert la conformité du design à des critères géométriques de surplomb, d’épaisseurs, etc. difficilement intégrables à TO. De plus, TO, basée sur les éléments finis (FE), est itérative et coûteuse en calcul. Alors, concevoir des pièces imprimables nécessite l’interprétation par des experts des formes proposées par TO, sachant que cela peut détériorer l'optimalité initiale. Avec les logiciels de TO, générer un design prend des secondes à des jours selon la complexité des conditions mécaniques. Cela est acceptable si le process de conception pour FA (Design for Additive Manufacturing, DfAM) se limite à cette étape. Cependant, TO, dans sa forme commerciale, ne considère pas les contraintes FA. L’ingénieur(e) doit tester plusieurs configurations pour trouver le design optimal et imprimable et risque de se coincer dans une boucle de dessin et test de performance. Avec le rôle florissant de FA dans l'industrie, il est impératif de trouver une méthode considérant les contraintes mécaniques et géométriques au même niveau conceptuel pour accélérer le process DfAM. Nous trouvons dans l’état de l’art quatre approches:1. La formalisation de règles de dessin de design de FA pour les utilisateurs novices. Cependant, modifier la forme du design proposé par TO dans la phase de dessin détériore souvent sa performance mécanique initiale;2. l’intégration de contraintes FA dans FE-TO. Cela permet d’accélérer le process DfAM. Toutefois, les contraintes FA ne peuvent pas être toutes définies analytiquement et sont souvent contradictoires. De plus, elle hérite des défauts de FE-TO: la forme générale est identifiée dès les premières itérations, ce qui empêche la méthode de la modifier pour respecter les contraintes géométriques et la convergence n'est plus garantie lorsqu'il y en a plusieurs;3. l’assistance des méthodes FE-TO avec du Machine et Deep Learning (DL). Cela accélère la phase TO du DfAM uniquement et hérite toujours des défauts de TO;4. le remplacement de FE-TO par du DL. Cette approche n'intègre aucun critère FA et ne permet pas d'éviter la boucle dans les phases ultérieures du process DfAM.Notre objectif est d'accélérer l'ensemble du process DfAM. Certes, la phase de design a le coût minimal et l’impact maximal sur le coût global et la qualité d’une pièce. Mais, pourvu que l'accélération de cette phase ne soit pas suffisante, nous proposons DL-AM-TO qui rejoint le meilleur des deux approches 2 et 4. Les principales contributions de la thèse sont:- la création d'un dataset de designs 2D avec leurs contraintes mécaniques et géométriques de FA, GMCAD;- la création de DL-AM-TO qui prend en entrée les conditions mécaniques et géométriques de FA simultanément et génère un design 2D, une tâche difficile à accomplir avec FE-TO. Elle est basée sur les réseaux convolutifs de neurones, ainsi, elle est dotée de rapidité, et de couts de calcul avantageux et indépendants de l’échelle du design et de la complexité des contraintes. Elle taille la géométrie du design afin de respecter les conditions mécaniques et géométriques de FA et ainsi nous éviter la boucle de dessin et test et accélérer l'ensemble du process DfAM jusqu’à 1.4 fois;- toute contrainte FA ou autre règle métiers peut être intégrée à DL-AM-TO, et pas seulement celles formulées analytiquement, grâce à la flexibilité des modèles DL;- DL-AM-TO pourra être industrialisée comme un module de design génératif léger dans un logiciel de design à l'avenir.The growing need for fast, organic, cost and material efficient products in the industrial world is driving research to develop new design methods. Topological optimization (TO) is one of them. TO takes mechanical constraints as input and generates optimal complex shapes in terms of material and mechanical performance. Additive manufacturing (AM) completes it; it allows the fabrication of any shape. However, this synergy between TO and AM is not ideal. Indeed, AM requires the conformity of the design to geometrical criteria like overhangs, thicknesses, Etc., which are difficult to integrate into TO. Moreover, TO is iterative and computationally expensive; it is based on finite elements (FE). Therefore, designing printable parts requires the interpretation of the shapes proposed by TO by experts, knowing that this can deteriorate the initial optimality. With TO software, generating a design takes seconds to days depending on the complexity of the mechanical conditions. This is acceptable if the Design for Additive Manufacturing (DfAM) process is limited to this step. However, TO, in its commercial form, does not consider AM constraints. The engineer must test several configurations to find the optimal, printable design and risks getting stuck in a design and performance test loop. With the flourishing role of AM in the industry, it is imperative to find a method that considers mechanical and geometric constraints at the same conceptual level to speed up the DfAM process. We find in the state of the art four approaches:1. Formalizing AM design rules and guidelines for novice users. However, modifying the geometry of the design proposed by TO in the drawing phase often deteriorates its initial mechanical performance.2. Integrating AM constraints into FE-TO. This helps to speed up the DfAM process. However, not all AM constraints can be defined analytically and are often contradictory. Moreover, this approach inherits the shortcomings of FE-TO: the general shape is identified in the first iterations, which prevents the method from modifying it to comply with the geometrical constraints, also, convergence is not guaranteed when the number of constraints increases.3. Assisting FE-TO methods with Machine and Deep Learning (DL). This accelerates the TO phase of DfAM only and still inherits the defects of TO.4. Replacing FE-TO with DL. This approach does not incorporate any FA criteria and does not avoid the loop in later phases of the DfAM process.Our goal is to accelerate the whole DfAM process. Indeed, the design phase has the minimum cost and the maximum impact on the overall cost and quality of a part. But, provided that the acceleration of this phase is not sufficient, we propose DL-AM-TO which joins the best of the two approaches 2 and 4. The main contributions of the thesis are:- The creation of a dataset of 2D designs with their mechanical and geometrical constraints of AM, GMCAD.- The creation of DL-AM-TO which takes as input the mechanical and geometrical conditions of AM simultaneously and generates a 2D design, a difficult task to accomplish with FE-TO. It is based on convolutional neural networks, so it is fast and computationally inexpensive, independent of the design’s dimensions and the complexity of the constraints. It tailors the design’s geometry to meet the mechanical and geometrical requirements of AM, thus avoiding the design and test loop and accelerating the whole DfAM process up to 1.4 times.- Any AM constraint or other business rule can be integrated into DL-AM-TO, not only those formulated analytically, thanks to the flexibility of DL models.- DL-AM-TO can be industrialized as a lightweight generative design module in design software in the future
Dispelling the Myths Behind First-author Citation Counts
Full text linkWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
koamabayili/VECTRON-author-checklist: VECTRON author checklist
No full textWe have done our best to complete the author checklist relating to the use of animals in the hut study. Note that the objective for the hut study was to evaluate the IRS treatment applications for residual efficacy against Anopheles mosquitoes, including the local An. coluzzii mosquito population. Cows were only used to attract mosquitoes into the huts and no tests were carried out directly on the cows. The author checklist is intended for use with studies where experiments are carried out on animals, which is why we have had such difficulty in completing this for the hut study, as many of the questions do not relate to how the cows were used
- …
