Scaling And Machine Learning Analysis Of Turbulent Fluxes Of Momentum And Heat In The Microclimate Of An Urban Canyon
Notice bibliographique
Résumé
Turbulent flow inside the urban roughness sublayer, despite its complexities, plays a crucial role in the microclimate of the built environment. The parameterization of flow in the urban roughness sublayer provides a better understanding of turbulent exchange process leading to accurate weather forecasting. This study focused on developing relationships between turbulent quantities, including momentum and heat fluxes, and mean quantities such as mean wind speeds. Field data, including wind directions, wind speeds, and thermal stability conditions, were collected from an urban canopy in Guelph, Ontario, Canada during the summer 2017. Comparative data was obtained from a nearby rural station. A systematic scaling analysis was performed to identify a range of quantities highly related to turbulent fluxes. All combinations of quantities leading to dimensionless groups were evaluated. Linear and nonlinear correlation coefficients between different groups of variables identified when mean and turbulent quantities were related. Significant improvement in correlation coefficients was observed using high order polynomial regression, revealing the challenge of developing a robust model for predicting nonlinear behavior of turbulence. This study also used artificial neural networks (ANNs) to find nonlinear relationships between turbulent and mean quantities. As used here, an ANN is a multivariable function which attempts to approach the exact value of turbulent flux based on independent variables, properly chosen from dimensionless groups. Results showed that these approaches can successfully relate most, but not all, turbulent quantities to mean quantities.
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 ».