有限要素法(FEM)は偏微分方程式を解いたり力学解析をする上で非常に強力な方法です。 何十年にもわたり様々な研究が精力的になされ、この手法は目まぐるしく発展してきました。 しかし大企業の開発者や大学の研究者など、ごく一部の限られた人以外はその恩恵を被ることができないのが現状です。 誰でも簡単に有限要素法を理解して使えるようになることに少しでも役に立つことを、 このWebページを通じて目指しています。
有限要素法(FEM)は偏微分方程式を解いたり力学解析をする上で非常に強力な方法です。 何十年にもわたり様々な研究が精力的になされ、この手法は目まぐるしく発展してきました。 しかし大企業の開発者や大学の研究者など、ごく一部の限られた人以外はその恩恵を被ることができないのが現状です。 誰でも簡単に有限要素法を理解して使えるようになることに少しでも役に立つことを、 このWebページを通じて目指しています。
支援 IPA未踏ユース2008年度上半期の支援をうけて作られています. http://www.ipa.go.jp/jinzai/mitou/2008/2008_1/youth/gaiyou/t-02.html ライブラリの中身 ライブラリは主に5つの部分から構成されています. 2次元CAD(Cad); メッシュ生成(Msh) 要素補間された場クラス(Field) 偏微分方程式のクラス(Eqn) 行列クラスとそれをを解くソルバのクラス(LS) モデルの関係 それぞれの部分は次のような関係になっている. 2次元CAD(Cad) モデルを定義する部分です. 2次元CADクラス CCadObj2D 描画クラス CDrawerCAD メッシュ生成(Msh) CADデータからメッシュを切る部分です. 2次元メッシュクラス CMesher2D CCADObj2Dを読み込んでメッシュを生成 3次元メッシ
Next: 1. Introduction Scalable, Distributed Data Structures for Internet Service Construction Steven D. Gribble, Eric A. Brewer, Joseph M. Hellerstein, and David Culler The University of California at Berkeley {gribble,brewer,jmh,culler}@cs.berkeley.edu Abstract This paper presents a new persistent data management layer designed to simplify cluster-based Internet service construction. This self-ma
今の時代、歩けばローン会社に当たると言っても過言では無い位、ローン会社が多数存在しています。そしてインターネットを見てみても、いろいろな所にローンの会社の広告が出てるのを目にするのでは無いでしょうか。 これだけ沢山のローン会社があると、どこを利用していいのやら解らなくなってしまいますね。まず、銀行系か、消費者金融系か、そして信販系かなどと言う分類に分かれてしますが、どこを利用するにしてもメリット、デメリットなどが存在しています。その為に、消費者金融のローンを利用する時は、一番に何を重視するのかを考えてから、どこのローンを利用すれば良いか決めるのが一番賢い方法と言えます。 例えば、今すぐお金が必要ならば、即日融資してくれる消費者金融系のローンを利用するとか、時間に余裕があって金額的に多めの融資が必要だったら銀行系のローンを利用するなど、用途や目的に合わせて借りる会社を選ぶのをお勧めします。借
2.1 - ネット上で入手できるサンプルプログラムはありますか? はい。情報源のページにいくつか、ま た、FAQ の サンプルプログラムの章にもさ らにいくつかリストアップされています。まだ Winsock を始めたばかりであれば、 特に こちらの例が有用でしょう。 2.2 - WSAStartup 呼び出しの前に WSAData 構造体を初期化する必要はあるのですか? いいえ、WSAStartup() 自身が必要なデータを埋めてくれます。 2.3 - Winsock プログラムをコンパイルしようとするとリンクエラーが出ちゃいました。何が悪いんでしょう? おそらく、正しい Winsock インポートライブラリをリンクしていないのでしょ う。16bit の Windows システムでは、winsock.lib が正しいライブラリです。 32bit Windows システムで Winsock
id:naoya さんのLatent Semantic Indexing の記事に触発されて、ここ1週間ほどちょくちょく見ている行列の近似計算手法について書いてみる。ここでやりたいのは単語-文書行列(どの単語がどの文書に出てきたかの共起行列)や購入者-アイテム行列(どの人がどの本を買ったかとか、推薦エンジンで使う行列)、ページ-リンク行列(どのページからどのページにリンクが出ているか、もしくはリンクをもらっているか。PageRank などページのランキングの計算に使う)、といったような行列を計算するとき、大規模行列だと計算量・記憶スペースともに膨大なので、事前にある程度計算しておけるのであれば、できるだけ小さくしておきたい(そして可能ならば精度も上げたい)、という手法である。 行列の圧縮には元の行列を A (m行n列)とすると A = USV^T というように3つに分解することが多いが、も
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く