MétaCan
Menu
Retour à la cohorte
Enregistrement W2068026782 · doi:10.2514/6.2005-5333

Parallel Implicit Adaptive Mesh Refinement Scheme for Body-Fitted Multi-Block Mesh

2005· article· en· W2068026782 sur OpenAlexafffund
C. P. T. Groth, Scott Northrup

Notice bibliographique

Revue17th AIAA Computational Fluid Dynamics Conference · 2005
Typearticle
Langueen
DomaineEngineering
ThématiqueComputational Fluid Dynamics and Aerodynamics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaOntario Innovation Trust
Mots-clésAdaptive mesh refinementComputer scienceMesh generationBlock (permutation group theory)Scheme (mathematics)Polygon meshParallel computingAlgorithmComputational scienceMathematicsComputer graphics (images)Finite element methodGeometryPhysics

Résumé

récupéré en direct d'OpenAlex

A parallel implicit adaptive mesh refinement (AMR) algorithm is described for the system of partial-differential equations governing steady two-dimensional compressible gaseous flows. The AMR algorithm uses an upwind finite-volume spatial discretization procedure in conjunction with limited linear solution reconstruction and Riemann-solver based flux functions to solve the governing equations on multi-block mesh composed of structured curvilinear blocks with quadrilateral computational cells. A flexible block-based hierarchical data structure is used to facilitate automatic solution-directed mesh adaptation according to physics-based refinement criteria. A matrix-free inexact Newton method is used to solve the system of nonlinear equations arising from this finite-volume spatial discretization procedure and a preconditioned generalized minimal residual (GMRES) method is used to solve the resulting non-symmetric system of linear equations at each step of the Newton algorithm. Right preconditioning of the linear system is used to improve performance of the Krylov subspace method. An additive Schwarz global preconditioner with variable overlap is used in conjunction with block-fill incomplete lower-upper (BFILU) type preconditioners based on the Jacobian of the first-order upwind scheme for each sub-domain. The Schwarz preconditioning and block-based data structure readily allow efficient and scalable parallel implementations of the implicit AMR approach on distributed-memory multi-processor architectures. Numerical results are described for several flow cases, demonstrating both the effectiveness of the mesh adaptation and algorithm parallel performance. The proposed parallel implicit AMR method allows for anisotropic mesh refinement and appears to be well suited for predicting complex flows with disparate spatial and temporal scales in a reliable and efficient fashion. I.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,018
Tête enseignante GPT0,248
Écart entre enseignants0,230 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations29
Publié2005
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue17th AIAA Computational Fluid Dynamics ConferenceMême sujetComputational Fluid Dynamics and AerodynamicsTravaux en français237 207