It is well-known that there exist rigid frameworks whose physical models can snap between different realizations due to non-destructive elastic deformations of material. We present a method to measure this snapping capability based on the total elastic strain energy density of the framework by using the physical concept of Green-Lagrange strain. As this so-called snappability only depends on the intrinsic framework geometry, it enables a fair comparison of pin-jointed body-bar frameworks, thus it can serve engineers as a criterion within the design process of multistable mechanisms. Moreover, it turns out that the value obtained from this intrinsic pseudometric also gives the distance to the closest shaky configuration in the case of isostatic frameworks. Therefore it is suited for the computation of these singularity-distances for diverse mechanical devices. In more detail we study this problem for parallel manipulators of Stewart-Gough type.


翻译:众所周知,目前存在着僵硬的框架,其物理模型可以因材料的非破坏性弹性变形而在不同实现之间产生差异。我们提出一种方法,通过使用绿色拉格朗菌株的物理概念,根据框架的弹性菌株总能量密度来测量这种断裂能力。由于这种所谓的断裂性仅取决于内在框架几何,因此能够公平地比较针形结合体形框框架,从而可以作为设计多表层机制的一个标准。此外,我们发现,从这种内在的假体测量获得的价值也为异形框架最接近的松动配置提供了距离。因此,它适合于计算各种机械装置的单点距离。我们更详细地研究Stewart-Gough类型的平行操纵器的这一问题。

0
下载
关闭预览

相关内容

Python分布式计算,171页pdf,Distributed Computing with Python
专知会员服务
107+阅读 · 2020年5月3日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年9月30日
Arxiv
0+阅读 · 2021年9月30日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
VIP会员
相关资讯
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流:Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员