Uncertainty Quantification for the Trailing-Edge Noise of a Controlled-Diffusion Airfoil
Notice bibliographique
Résumé
Two deterministic incompressible flow solvers are coupled with a nonintrusive stochastic collocation method to propagate several aerodynamic uncertainties of the same type encountered in a standard trailing-edge noise experiment of a low-speed controlled-diffusion airfoil to predict the far-field noise. Reynolds-averaged Navier–Stokes and large-eddy simulations are applied to a common restricted domain surrounding the airfoil embedded in the potential core of the jet in the anechoic wind-tunnel experiment. Both simulation methods provide the wall-pressure fluctuations near the airfoil trailing edge, which are then used in Amiet’s acoustic analogy for trailing-edge noise. In the Reynolds-averaged Navier–Stokes simulations, two different representative models are used to reconstruct the wall-pressure fluctuations: Rozenberg’s deterministic model directly based on integral boundary-layer parameters, and Panton and Linebarger’s statistical model based on the velocity field in the boundary layer. The nonintrusive stochastic model is solved in a stochastic collocation framework, with the inlet velocity profiles as random variables. This framework is found to be two orders of magnitude more efficient than a classical Monte Carlo simulation for the same accuracy. Comparisons of the mean and standard deviations of the wall-pressure spectra and the far-field acoustic pressure with experiment stress that Rozenberg’s model is more accurate at low frequencies and has larger uncertainties at high frequencies because of the uncertainty on the wall shear stress and that Panton and Linerbarger’s is less accurate at low frequencies because of the slow statistical convergence of the integration involved in the model.
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 | 0,000 |
| 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 ».