Simulation Strategies for Shock-Turbulence Interactions
Notice bibliographique
Résumé
The computational challenge of predicting shock-turbulence interactions stems from the fundamentally different physics at play. Shock waves are microscopically thin regions wherein flow properties change rapidly over a distance roughly equal to the molecular mean free path; hence, they are essentially strong discontinuities in the flow field. Turbulence, on the other hand, is a chaotic phenomenon with broadband spatial and temporal scales of motion. Most shock-capturing methods rely on strong numerical dissipation to artificially smooth the discontinuity, such that it can be resolved on the computational grid. Unfortunately, the artificial dissipation necessary for capturing shocks has a deleterious effect on turbulence. An additional problem is the fact that shock-capturing schemes are typically based on one-dimensional Riemann solutions that are not strictly valid in multiple dimensions. This can lead to anisotropy errors and grid-seeded perturbations. Other complications arising from upwinding, flux limiting, operator splitting etc., can seriously degrade performance and generate significant errors, especially in multiple dimensions. The purpose of this work is to design improved algorithms, capable of capturing both shocks and turbulence, which also scale to tens of thousands of processors. We have evaluated two new hydrodynamic algorithms, in relation to the widely used WENO method, on a suite of test cases. The new methods, referred to as the 'Compact' and 'Hybrid' schemes, show very promising results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».