Conditional Source-term Estimation using dynamic ensemble selection and parallel iterative solution
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
A modified version of the Least-Square QR-factorisation (LSQR) algorithm has been implemented in conjunction with Conditional Source-term Estimation (CSE) for lean, turbulent premixed methane–air combustion via Large Eddy Simulation (LES). The iterative solver can reduce computational times by an order of magnitude during the inversion phase of CSE in comparison with the conventional LU-decomposition method. The advantages of iterative and parallel iterative solvers become more prominent as the size of the system increases. The ensemble selection procedure for computing averages within localised regions of the simulation domain has also been updated to a dynamic routine. This allows for more flexible and efficient allocation of computational resources along with reduced input from the user, especially for complex geometries. Preliminary LES calculations have shown that the implementation of an iterative solver and a dynamic ensemble selection algorithm will reduce computational times significantly with negligible error contribution for one-condition CSE, which is applicable to purely premixed or non-premixed turbulent combustion problems. In addition, these algorithms provide the foundation for exceptional computational cost savings for the inversion in two-condition CSE, or Doubly Conditional Source-term Estimation (DCSE), which has shown promise for predicting partially-premixed combustion. Parallel computation of the inverse solution is particularly beneficial to DCSE as the computational cost of the inversion process is considerably larger than in one-condition CSE.
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