Optimal nonlinear eddy viscosity in Galerkin models of turbulent flows
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
Abstract We propose a variational approach to the identification of an optimal nonlinear eddy viscosity as a subscale turbulence representation for proper orthogonal decomposition (POD) models. The ansatz for the eddy viscosity is given in terms of an arbitrary function of the resolved fluctuation energy. This function is found as a minimizer of a cost functional measuring the difference between the target data coming from a resolved direct or large-eddy simulation of the flow and its reconstruction based on the POD model. The optimization is performed with a data-assimilation approach generalizing the 4D-VAR method. POD models with optimal eddy viscosities are presented for a 2D incompressible mixing layer at $\mathit{Re}=500$ (based on the initial vorticity thickness and the velocity of the high-speed stream) and a 3D Ahmed body wake at $\mathit{Re}=300\,000$ (based on the body height and the free-stream velocity). The variational optimization formulation elucidates a number of interesting physical insights concerning the eddy-viscosity ansatz used. The 20-dimensional model of the mixing-layer reveals a negative eddy-viscosity regime at low fluctuation levels which improves the transient times towards the attractor. The 100-dimensional wake model yields more accurate energy distributions as compared to the nonlinear modal eddy-viscosity benchmark proposed recently by Östh et al. ( J. Fluid Mech. , vol. 747, 2014, pp. 518–544). Our methodology can be applied to construct quite arbitrary closure relations and, more generally, constitutive relations optimizing statistical properties of a broad class of reduced-order models.
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