Robust identification of dynamically distinct regions in stratified turbulence
Notice bibliographique
Résumé
We present a new robust method for identifying three dynamically distinct regions in a stratified turbulent flow, which we characterise as quiescent flow, intermittent layers and turbulent patches. The method uses the cumulative filtered distribution function of the local density gradient to identify each region. We apply it to data from direct numerical simulations of homogeneous stratified turbulence, with unity Prandtl number, resolved on up to $8192\times 8192\times 4096$ grid points. In addition to classifying regions consistently with contour plots of potential enstrophy, our method identifies quiescent regions as regions where $\unicode[STIX]{x1D716}/\unicode[STIX]{x1D708}N^{2}\sim O(1)$ , layers as regions where $\unicode[STIX]{x1D716}/\unicode[STIX]{x1D708}N^{2}\sim O(10)$ and patches as regions where $\unicode[STIX]{x1D716}/\unicode[STIX]{x1D708}N^{2}\sim O(100)$ . Here, $\unicode[STIX]{x1D716}$ is the dissipation rate of turbulence kinetic energy, $\unicode[STIX]{x1D708}$ is the kinematic viscosity and $N$ is the (overall) buoyancy frequency. By far the highest local dissipation and mixing rates, and the majority of dissipation and mixing, occur in patch regions, even when patch regions occupy only 5 % of the flow volume. We conjecture that treating stratified turbulence as an instantaneous assemblage of these different regions in varying proportions may explain some of the apparently highly scattered flow dynamics and statistics previously reported in the literature.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».