A Hybrid Data-Driven Deep Learning Technique for Fluid-Structure Interaction
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
Abstract This paper is concerned with the development of a hybrid data-driven technique for unsteady fluid-structure interaction systems. The proposed data-driven technique combines the deep learning framework with a projection-based low-order modeling. While the deep learning provides low-dimensional approximations from datasets arising from black-box solvers, the projection-based model constructs the low-dimensional approximations by projecting the original high-dimensional model onto a low-dimensional subspace. Of particular interest of this paper is to predict the long time series of unsteady flow fields of a freely vibrating bluff-body subjected to wake-body synchronization. We consider convolutional neural networks (CNN) for the learning dynamics of wake-body interaction, which assemble layers of linear convolutions with nonlinear activations to automatically extract the low-dimensional flow features. Using the high-fidelity time series data from the stabilized finite element Navier-Stokes solver, we first project the dataset to a low-dimensional subspace by proper orthogonal decomposition (POD) technique. The time-dependent coefficients of the POD subspace are mapped to the flow field via a CNN with nonlinear rectification, and the CNN is iteratively trained using the stochastic gradient descent method to predict the POD time coefficient when a new flow field is fed to it. The time-averaged flow field, the POD basis vectors, and the trained CNN are used to predict the long time series of the flow fields and the flow predictions are quantitatively assessed with the full-order (high-dimensional) simulation data. The proposed POD-CNN model based on the data-driven approximation has a remarkable accuracy in the entire fluid domain including the highly nonlinear near wake region behind a freely vibrating bluff body.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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