Математика

Продолжение серии публикаций по модельно-ориентированному проектированию. Ранее я рассказывал о моделировании на земле, (системы управления АЭС), в воздухе (Коптер, СКВ самолета), под водой (управление подводной системы добычи газа). Мы рассматривали модели отдельных устройства (электродивигатели, приводы, преобразователи тока) и даже просто груз на пружинке. Сегодня пример моделирования из станы восходящего солнца, рассматривается динамика объекта весом более 60 000 тон, при полной загрузке.

В этой статье специалистов Национального морского института (Япония) рассматривается моделирование движения морского судна. В тексте подробно пошагово описана методология создания моделей, поэтому ее вополне можно рассмативать как учебную.

Несколько цитат:

...Методики моделирования и расчетов пропульсивных систем судов приобретают все более важное значение в решении вышеуказанных комплексных проблем. Особенно, когда становится важной одновременная оценка эффективности, безопасности и надежности пропульсивных систем в реальных условиях эксплуатации и переходных режимах работы.

...Методология системного анализа применяется для решения задач комплексного моделирования интегрированной пропульсивной системы судна. Системный анализ — это набор методологий и инструментов для расчетного моделирования динамических процессов, который обеспечивает целостное понимание работы системы и выявления существенных взаимосвязей между подсистемами...

... созданная структура модели, очень хорошо подходит для использования в модельно-ориентированном проектировании, например для виртуальных испытаний и цифровых двойников. Цифровые двойники обеспечивают связь данных реального мира с системной моделью, фокусируясь на различных аспектах работы системы в реальном времени и в динамических режимах в условиях реальной эксплуатации.

В одном из предыдущих материалов мы рассказали о фреймворке для AutoML и библиотеке алгоритмов выбора признаков. На этот раз продолжаем делиться разработками специалистов, магистров и аспирантов Университета ИТМО и представляем вашему вниманию парочку open source инструментов для работы с данными. Как обычно — говорим о них простыми словами и делимся ссылками на публичные репозитории, предоставленными авторами проектов.

В предыдущих статьях Пространственные спектры и фрактальность рельефа, силы тяжести и снимков и Кто и как поломал Землю, или откуда возникли планетарные горные хребты и разломы рассказано, как образовалась фрактальная картина поверхности и силы тяжести нашей планеты в диапазоне масштабов от планетарного и до субметрового. Теперь мы обсудим различные методы выделения направлений для геологического линеаментного анализа. Если 3D модели мы строим, пользуясь кольцевым преобразованием Радона, то штрихи на растровых изображениях можно выделять линейным преобразованием Радона, также известным как линейное преобразование Хафа в методах компьютерного зрения. Именно эти базовые алгоритмы компьютерного зрения и послужили основой вычислительной геологии. Про кольцевое преобразование Радона смотрите подробнее в статье Методы компьютерного зрения для решения обратной задачи геофизики, а про линейное поговорим сегодня. Кроме того, мы обратим внимание и на современные векторные и графовые алгоритмы анализа.

Контурные розы диаграммы новейших тектонических линеаментов по результатам высокочастотной фильтрации глобальных моделей Gebco 2019 Bathymetry и Sandwell & Smith Gravity

Продолжение цикла статей, посвященных новому типу кривых и поверхностей.

В этой части описывается реализация методов F-кривых в C3D Modeler.

В первой части были освещены основные моменты, необходимые для понимания читателем главных преимуществ рассматриваемого класса кривых и его назначения в инженерной геометрии.

В третьей части будут приведены примеры практического применения C3D FairCurveModeler при моделировании различных изделий.

Четыре месяца работы вместе с небольшим количеством новых контрибьютеров наконец-то дали свои плоды в виде нового большого релиза, с которым с удовольствием автор хочет Вас познакомить

Теперь в AngouriMath есть инструменты работы с матрицами, улучшенный парсер, много новых функций, практически полностью переписанный пакет Interactive (для работы в Jupyter) и многое другое.

Эта статья повествует о большом обновлении в FOSS библиотеке символьной алгебры для .NET

Мы продолжаем изучать волшебство преобразования энергии в ШИМ преобразователе. Почему волшебство? Теоретически, как мы убедились в предыдущей части, линейный стабилизатор, изначально по природе своей, переводит часть полезной энергии в тепло, делая КПД линейного стабилизатора менее 100%, что в принципе ожидаемо для технических систем. А в ШИМ преобразователе, теоретически, это происходит без потерь, ну чем не волшебство? ШИМ преобразователь, словно портной ножницами, нарезает своими ключами ткань энергии на лоскутки, а потом как швейная машинка сшивает фильтром лоскутки энергии в стройное платье - постоянную составляющую (ПС). 

Что такое ПС и как её получить? Давайте изучим!

От калькулятора до турбулентности один шаг, и этот шаг — константа Фейгенбаума. К старту флагманского курса о Data Science делимся переводом статьи, её автор рассказывает о двух удивительных константах, первая из которых была открыта индийским школьным учителем Д. Капрекаром с бумагой и ручкой в руках, а вторая — при помощи программируемого калькулятора. Есть в этих константах нечто мистическое. Давайте спокойно сядем и прочувствуем их волшебство.

В статье я бы хотел объяснить принципиальную разницу между фильтром Калмана (ФК) и классическими фильтрами, кратко рассмотреть преимущество выбранного ФК поделиться опытом использования данного ФК в во встраиваемой системе квадрокоптера для навигации на основе инерциального и ГНСС датчиков и поделиться исходным кодом с демкой для самостоятельного изучения.

Система машинного обучения, изначально созданная для ускорения вычислений, сегодня делает удивительные успехи на границах экспериментальной квантовой физики. Квантовый физик Марио Кренн помнит, как в начале 2016 года он сидел в кафе в Вене и просматривал компьютерные распечатки, пытаясь понять смысл того, что обнаружил MELVIN. MELVIN — написанный Кренном алгоритм машинного обучения, своего рода искусственный интеллект. Его задача — смешивать и сопоставлять строительные блоки стандартных квантовых экспериментов и находить решения новых проблем; он нашёл много интересного, но имело место и одно странное решение. К старту курса о глубоком и машинном обучении делимся переводом статьи о квантовых экспериментах при помощи ИИ.

«За несколько часов программа нашла решение, к которому мы, учёные — три экспериментатора и один теоретик — не могли прийти месяцами, — рассказывает Кренн. — День был сумасшедшим. Не мог поверить, что это произошло».

Я разрабатывал один проект по недвижимости и появилась задача показывать объекты расположенные в радиусе 20 км с просматриваемым. Т.е. у нас есть объект, в нашем случае это поселок, и нужно отображать находящиеся рядом поселки из нашей базы данных в радиусе 20 км, при этом имея только координаты их расположения.

В материале, переводом которого мы решили поделиться к старту курса о машинном и глубоком обучении, простым языком рассказывается о семантическом поиске, статья охватывает шесть его методов; начиная с простых сходства по Жаккару, алгоритма шинглов и расстояния Левенштейна, автор переходит к поиску с разреженными векторами — TF-IDF и BM25 и заканчивает современными представлениями плотных векторов и Sentence-BERT. Простые примеры сопровождаются кодом и иллюстрациями, а в конце вы найдёте ссылки на соответствующие блокноты Jupyter.

Статья небольшая, но важная для понимания!

Привет, Хабр!

В этом посте рассматривается математика сторон горизонта, которой я занимался 20 лет назад. Насколько я знаю, об этом еще никто не писал. Надеюсь, что вам будет интересно.

Согласно общепринятой теории фазовые соотношения в спектре звука не важны для восприятия тембра. Как выясняется, это справедливо лишь отчасти (для частот выше 200 Гц). Для звуков низкой частоты (менее сотни Гц) начинает работать другой механизм, в чем и предлагаю убедиться.

В предыдущей статье Пространственные спектры и фрактальность рельефа, силы тяжести и снимков мы уже рассмотрели фрактальность рельефа и поля силы тяжести и показали, как она возникает в относительно тонкой и хрупкой земной коре толщиной от 5 км под океанами и до 100-150 км под материками. Также мы вычислили, что под корой находится слой упругий, так что верхний масштаб фрактальности ограничен примерно 200 км. При этом, мы наблюдаем разломы и горные хребты планетарного масштаба, пересекающие моря и океаны. Очевидно, что планетарные структуры масштаба десятков тысяч километров никак не могут быть объяснены явлениями в земной коре масштаба десятков-сотен километров, хотя все эти структуры самоподобны, то есть фрактальны. Таким образом, именно планетарные структуры являются первичными и воспроизводятся на меньших масштабах при тектонических процессах за счет хрупкости земной коры. Сегодня мы поговорим о том, откуда возникли эти первичные структуры, или кто и как «поломал» Землю.

Слева направо приведены следующие изображения Земли: магнитное поле (EMAG2), гравитационное (Sandwell & Smith), рельеф ( GEBCO 2020 Bathymetry). Смотрите HOWTO: Visualization on The Globe