MétaCan
Menu
Retour à la cohorte
Enregistrement W2088066046 · doi:10.1121/1.3249505

Computational grid design to improve three-dimensional parabolic equation modeling efficiency.

2009· article· en· W2088066046 sur OpenAlexaff
Melanie E. Austin, N. Ross Chapman

Notice bibliographique

RevueThe Journal of the Acoustical Society of America · 2009
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueUnderwater Acoustics Research
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésGridRange (aeronautics)AzimuthPartial differential equationComputationTessellation (computer graphics)Computer scienceOperator (biology)Position (finance)Applied mathematicsMathematical optimizationComputational scienceMathematical analysisAlgorithmGeometryMathematicsAerospace engineering

Résumé

récupéré en direct d'OpenAlex

One class of very accurate computer models that can be used to predict underwater acoustic fields is based on three-dimensional (3-D) solutions of the parabolic form of the reduced acoustic wave equation. 3-D parabolic equation (PE) models contain differential operators in both depth and azimuth. These 3-D solutions are very computationally intensive, but strategic definition of the model grid can save computation time. A 3-D PE model (MONM3D) has been developed that incorporates techniques that reduce the required number of model grid points. The concept of tessellation is used to optimize the radial grid density as a function of range, reducing the required number of grid points in the horizontal planes of the grid. The model marches the solution out in range along several radial propagation paths emanating from a source position. Tessellation, as implemented in MONM3D, allows the number of radial paths in the model grid to depend on range from the source. In addition, the model incorporates a higher-order azimuthal operator which allows a greater radial separation and reduces the required number of radial propagation paths. The efficiency and accuracy of the MONM3D model will be presented by demonstration of a test case.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,804
Score d'incertitude au seuil0,250

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,270
Écart entre enseignants0,234 · 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 tête enseignante, 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
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

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the Acoustical Society of AmericaMême sujetUnderwater Acoustics ResearchTravaux en français237 207