Parallel Newton–Krylov–Schur Flow Solver for the Navier–Stokes Equations
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
The objective of the present paper is to demonstrate the effectiveness of a spatial discretization based on summation-by-parts operators with simultaneous approximation terms in combination with a parallel Newton–Krylov–Schur algorithm for solving the three-dimensional Reynolds-averaged Navier–Stokes equations coupled with the Spalart–Allmaras one-equation turbulence model. The algorithm employs second-order summation-by-parts operators on multiblock structured grids with simultaneous approximation terms to enforce block interface coupling and boundary conditions. The discrete equations are solved iteratively with an inexact-Newton method, while the linear system at each Newton iteration is solved using a flexible Krylov subspace iterative method with an approximate-Schur parallel preconditioner. The algorithm is verified and validated through the solution of two-dimensional model problems, highlighting the correspondence of the current algorithm with several established flow solvers. A transonic solution over the ONERA M6 wing on a mesh with 15.1 million nodes shows good agreement with experiment. Using 128 processors, the residual is reduced by 12 orders of magnitude in 86 min. The solution of transonic flow over the common research model wing–body geometry exhibits the expected grid convergence behavior. The algorithm performs well in solving flows around nonplanar geometries and flows with explicitly specified laminar-to-turbulent transition locations. Parallel scaling studies highlight the excellent scaling characteristics of the algorithm on cases with up to 6656 processors and grids with over 150 million nodes.
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 | 0,000 | 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 découle