A method to anchor displacement vectors to reduce uncertainty and improve particle image velocimetry results
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When large fields of view are used with particle image velocimetry (PIV) in the study of complex fluid flows, extraneous effects linked to velocity gradients and non-uniformities in both image illumination and particle number density become more prevalent. These factors, coupled with the limiting requirement that large areas of interest (AOIs) must be employed to measure the full range of velocity, cause degradation of correlation results (i.e. broadening and/or splintering of the cross-correlation peaks). Advanced iterative and hierarchical PIV strategies provide improved results but these can break down in complex flows where velocity gradients are significant and particle dispersion does not remain uniformly random. One reason for this breakdown is that local displacement vectors obtained using the cross correlation method are not necessarily representative of the fluid motion where these vectors are typically anchored (namely, the geometric centre of the AOI). To address this issue a simple but effective technique is presented that enables individual displacement vectors to be anchored within an AOI at a location(s) where the actual fluid motion is more consistent with the measured displacement. The method involves a straightforward approach to extract the intensity features from within each AOI that most influence the calculation of the cross-correlation plane. To demonstrate the utility of the methodology, bounds of uncertainty are approximated, and results obtained from the analysis of high gradient synthetic flow fields are compared against results obtained using the conventional PIV approach.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle