Comparison of B-Spline Surface and Free-Form Deformation Geometry Control for Aerodynamic Optimization
Notice bibliographique
Résumé
Two aerodynamic shape optimization geometry control methods, B-spline surface control and free-form deformation, are applied to three optimization problems and compared on the bases of optimal shape performance and problem setup ease of use. For both methods, the geometry is parameterized using B-spline surfaces with mesh movement accomplished using an efficient integrated technique. Gradients for the optimization algorithm are computed using the adjoint method. The first problem is a wing twist optimization under inviscid, subsonic flow, achieving an elliptical load distribution. The second is a lift-constrained drag minimization of a wing under transonic flow based on the Reynolds-averaged Navier–Stokes equations. The third involves lift-to-drag-ratio maximization, based on the Reynolds-averaged Navier–Stokes equations, beginning from a classically shaped blended wing–body aircraft and converging to a lifting-fuselage configuration. B-spline surface control is often found to result in slightly better performance; however, in general, both methods perform equally well. Free-form deformation provides a more general approach to problem setup, decoupling geometry control from parameterization. Overall, the results suggest that B-spline surface control is better suited for simple geometries, such as wings, whereas free-form deformation is better suited for complex geometries, such as unconventional aircraft, and for implementation with multistart algorithms and adaptive geometry control approaches.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 0,001 |
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 ».