A-priori testing of alpha regularisation models as subgrid-scale closures for large-eddy simulations
Notice bibliographique
Résumé
Alpha-type regularisation models provide theoretically attractive subgrid-scale closure approximations for large-eddy simulations of turbulent flow. We adopt the a-priori testing strategy to study three different alpha regularisation models, namely the Navier–Stokes-α model, the Leray-α model, and the Clark-α model. Specifically, we use high-resolution direct numerical simulation data of homogeneous isotropic turbulence to compute the mean subgrid-scale dissipation, the spatial distribution of the subgrid-scale dissipation, and the spatial distribution of elements of the subgrid-scale stress tensor. This is done for different filter parameters and different large-eddy simulation grid resolutions. Predictions of the three regularisation models are compared to the exact values of the subgrid-scale stress tensor, as defined in the filtered Navier–Stokes equations. The potential of the three regularisation models to provide good approximations is quantified using spatial correlation coefficients. Whereas the Clark-α model exhibits the highest spatial correlation coefficients for the subgrid-scale dissipation and the subgrid-scale stress tensor elements, the Leray-α model provides lower correlation coefficients, and the Navier–Stokes-α model exhibits the lowest correlation coefficients of the three models. Our results indicate the presence of an optimal choice of the filter parameter α depending on the large-eddy simulation grid resolution.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,014 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».