Numerical Aerodynamic Optimization Incorporating Laminar-Turbulent Transition Prediction
Notice bibliographique
Résumé
A two-dimensional Newton–Krylov aerodynamic shape optimization algorithm is applied to several optimization problems in which the location of laminar-turbulent transition is free. The coupled Euler and boundary-layer solver MSES is used to obtain transition locations through the eN method, which are then used in Optima2D, a Newton–Krylov discrete-adjoint optimization algorithm based on the compressible Reynolds-averaged Navier– Stokes equations. The algorithm is applied to the design of airfoils with maximum lift-to-drag ratio, endurance factor, and lift coefficient. The design examples demonstrate that the optimizer is able to control the transitionpoint locations to provide optimum performance, often producing pressure distributions with laminar rooftops followed by concave pressure recovery. In particular, the optimization algorithm is able to design an airfoil that is very similar, in terms of both shape and performance, to one of the high-lift airfoils designed by Liebeck (Liebeck, R. H., “A Class of Airfoils Designed for High Lift in Incompressible Flow, ” Journal of Aircraft, Vol. 10, No. 10, 1973, pp. 610–617) in the 1970s. The results provide a striking demonstration of the capability of the Newton– Krylov aerodynamic optimization algorithm to design airfoils with characteristics that previously required a great deal of expertise to achieve. I.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».