MétaCan
Menu
Retour à la cohorte
Enregistrement W2031443084 · doi:10.2514/1.44698

Transition-Flow-Occurrence Estimation: A New Method

2010· article· en· W2031443084 sur OpenAlexaff
Paul-Dan Silisteanu, Ruxandra Mihaela Botez

Notice bibliographique

RevueJournal of Aircraft · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésFlow (mathematics)EstimationComputer scienceGeologyMechanicsAerospace engineeringPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

There is a current need for a simple and effective way for determining the transition onset and transition extent on a solid surface in a general CFD solver, in order to include the transition effects in the aerodynamic coefficients calculation. The present paper propose a new method for estimating the transition onset and extent based on the temporal variation of the skin friction coefficient and the flow vorticity at the wall. The method consists in two steps: in the first step an unsteady Navier-Stokes simulation is performed around the aerodynamical configuration, in this step the skin friction and vorticity at the wall are recorded, this two parameters are used for determining the transition onset and transition length. In a second step of the method the computational grid is split in three regions: a laminar, a transition and a turbulent region; and a new simulation is done on this zonal mesh using the Reynolds Averaged Navier-Stokes. In order to coupling the transition region with the laminar and turbulent regions a linear intermittency function is used that multiplies the turbulent part of the viscosity. The intermittency function is zero in the laminar region and one in the turbulent region. The presented method is further validated with experimental data from literature; it is shown that the relative error in the drag coefficient calculated with the present method is lower than 8%, when a fully-turbulent simulation can introduce errors up to 50%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,245
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of AircraftMême sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207