Effects of upstream two-dimensional hills on design wind loads: A computational 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
The paper describes a study about effects of upstream hills on design wind loads using two mathematical approaches: Computational Fluid Dynamics (CFD) and Artificial Neural Network (NN for short). For this purpose CFD and NN tools have been developed using an object-oriented approach and C++ programming language. The CFD tool consists of solving the Reynolds time-averaged Navier-Stokes equations and <TEX>$k-{\varepsilon}$</TEX> turbulence model using body-fitted nearly-orthogonal coordinate system. Subsequently, design wind load parameters such as speed-up ratio values have been generated for a wide spectrum of two-dimensional hill geometries that includes isolated and multiple steep and shallow hills. Ground roughness effect has also been considered. Such CFD solutions, however, normally require among other things ample computational time, background knowledge and high-capacity hardware. To assist the enduser, an easier, faster and more inexpensive NN model trained with the CFD-generated data is proposed in this paper. Prior to using the CFD data for training purposes, extensive validation work has been carried out by comparing with boundary layer wind tunnel (BLWT) data. The CFD trained NN (CFD-NN) has produced speed-up ratio values for cases such as multiple hills that are not covered by wind design standards such as the Commentaries of the National Building Code of Canada (1995). The CFD-NN results compare well with BLWT data available in literature and the proposed approach requires fewer resources compared to running BLWT experiments.
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