MétaCan
Menu
Retour à la cohorte
Enregistrement W2321338579 · doi:10.2514/6.2013-2652

Sensitivity-Based Sequential Sampling of Cokriging Response Surfaces for Aerodynamic Data

2013· article· en· W2321338579 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

Revue31st AIAA Applied Aerodynamics Conference · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Multi-Objective Optimization Algorithms
Établissements canadiensMcGill University
Organismes subventionnairesCompute CanadaMcGill University
Mots-clésSensitivity (control systems)AerodynamicsSampling (signal processing)Computer scienceEngineeringAerospace engineeringElectronic engineeringComputer vision

Résumé

récupéré en direct d'OpenAlex

Modern aircraft design involves a large number of parameters, and obtaining flow solutions for all combinations of such parameters is not realistically feasible. Aerodynamicists can therefore only afford a limited number of flow solutions, and they often rely on surrogate models to reconstruct the continuous response surface of the system. This work is focused on surrogate models of the Kriging family, especially the gradient enhanced version called Cokriging. One challenge in constructing Cokriging response surfaces is the selection of input parameters locations in the design space. This process called sampling is often conducted in an iterative manner, through successive response surface refinements involving error analysis at each step. Appropriate error analysis is key to efficient sampling. In this article, a new error estimate for Cokriging response surfaces using readily available gradient information is introduced and tested in a sampling context on analytical and real aerodynamic cases. Nomenclature N = number of snapshots Nsnap = number of snapshots Noutput = number of points on output response surface D = dimension of design space / number of parameters P = order of regression polynomial Dbasis = dimension of regression polynomial basis x = position vector [1xD] in the design space x = position vectors tensor [NsnapxD] y(x) = value of the objective function at x ŷ(x) = Kriging approximation of y(x) / response surface value at x R = correlation matrix [NsnapxNsnap] r = correlation vector [1xNsnap] f = regression vector [1xDbasis] F = regression matrix [NsnapxDbasis] i = snapshot index j = output response surface point index J = jacobian matrix [NoutputxNsnap] S = sensitivity matrix [NoutputxNsnap] S = sensitivity vector [Noutputx1] ∗Undergraduate Student, Computational Aerodynamics Group, McGill University. MacDonald Eng. Build., Room 256. arthur.paul-dubois-taine@mail.mcgill.ca Phone: 514 746 2704 †Associate Professor, Computational Aerodynamics Group, McGill University. MacDonald Eng. Build., Room 159 1 of 19 American Institute of Aeronautics and Astronautics

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 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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,465
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,001
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 Opus0,057
Tête enseignante GPT0,302
Écart entre enseignants0,245 · 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