Was macht abaqus-ml-skills?
Claude Code-Agent-Fähigkeiten zur Kopplung von Abaqus FEA und ML-Surrogaten: LHS-Batch-Datensatzerzeugung + ODB zu ML-bereiten Raster-CSVs.
Claude Code-Agent-Fähigkeiten zur Kopplung von Abaqus FEA und ML-Surrogaten: LHS-Batch-Datensatzerzeugung + ODB zu ML-bereiten Raster-CSVs.
Diese Sammlung von Claude Code-Agent-Fähigkeiten (Skills) überbrückt die Lücke zwischen der Finite-Elemente-Analyse (FEA) mit Abaqus und maschinellen Lernverfahren (ML). Sie ermöglicht die automatisierte Generierung von Datensätzen mithilfe der Latin-Hypercube-Stichprobenziehung (LHS) für Batch-Simulationen sowie die Konvertierung von Abaqus-Ergebnisdateien (ODB) in maschinenlesbare Raster-CSV-Dateien. Dies ist besonders nützlich für Materialmodellierung, Parameterstudien und die Erstellung von Trainingsdaten für neuronale Netze oder andere Surrogatmodelle. Die Fähigkeiten sind für Entwickler und Wissenschaftler konzipiert, die Abaqus für strukturmechanische Simulationen einsetzen und deren Ergebnisse effizient in ML-Pipelines integrieren möchten. Durch die Automatisierung der Datenvorbereitung und -konvertierung wird der manuelle Aufwand reduziert und die Reproduzierbarkeit verbessert. Die Skills lassen sich kontextabhängig in Claude Code (z.B. über Session- oder Workspace-Variablen) aktivieren und unterstützen die gängigen Befehle und Skripte für die Abaqus-Umgebung.
npx skills add Haibarakiku/abaqus-ml-skillsInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
Claude Code-Agent-Fähigkeiten zur Kopplung von Abaqus FEA und ML-Surrogaten: LHS-Batch-Datensatzerzeugung + ODB zu ML-bereiten Raster-CSVs.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.