New Methodology for Wind Tunnel Calibration Using Neural Networks - EGD Approach
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
<div class="section abstract"><div class="htmlview paragraph">One of the hardest tasks involving wind tunnel characterization is to determine the air-flow condition inside the test section. The Log-Tchebycheff method and the Equal Area method allow calculation of local velocities from measured differential pressures on rectangular and circular ducts. However, these two standard methods for air flow measurement are limited by the number of accurate pressure readings by the Pitot tube. In this paper, a new approach is presented for wind tunnel calibrations. This approach is based on a limited number of dynamic pressure measurements and a predictive technique using Neural Network (NN). To optimize the NN, the extended great deluge (EGD) algorithm is used. Wind tunnel testing involves a large number of variables such as wind direction, velocity, rate flow, turbulence characteristics, temperature variation and pressure distribution on airfoils. NN has the advantage that multilayer perceptron neural networks can describe a 3D flow area with a small amount of experimental data, fewer numbers of iterations and less computation time per iteration. The Fluent results are used to train and optimize the proposed NN approach. The validation of this new approach is achieved by experimental tests using the wind tunnel Price-Paidoussis of LARCASE laboratory. This wind tunnel has two test chambers; a first chamber with a section equal to 0.3 × 0.6 meter that provides a speed ranging from 0 to 60 m/s and a second chamber test with a section equal to 0.6 × 0.9 meter that provides a speed from 0 to 30 m/s.</div></div>
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 | 0,001 |
| 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