Unscented Kalman filter (UKF)–based nonlinear parameter estimation for a turbulent boundary layer: a data assimilation framework
Notice bibliographique
Résumé
Abstract A turbulent boundary layer is a ubiquitous element of fundamental and applied fluid mechanics. Unfortunately, accurate measurements of turbulent boundary layer parameters (e.g. friction velocity <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" overflow="scroll"> <mml:msub> <mml:mi>u</mml:mi> <mml:mi>τ</mml:mi> </mml:msub> </mml:math> and wall shear τ w ) are challenging, especially for high-speed flows (Smits et al 2011). Many direct and/or indirect diagnostic techniques have been developed to measure wall shear stress (Vinuesa et al 2017). However, based on various principles, these techniques generally give different results with varying uncertainties. The current study introduces a nonlinear data assimilation framework based on the unscented Kalman filter (UKF) that can fuse information from (i) noisy and discretized measurements from stereo particle image velocimetry (SPIV), a Preston tube, and a MEMS shear stress sensor, as well as (ii) the uncertainties of the measurements to estimate the parameters of a turbulent boundary layer. A direct numerical simulation of a fully developed turbulent channel flow is used first to validate the data assimilation algorithm. The algorithm is then applied to experimental boundary layer data at Mach 0.3 obtained in a blowdown wind tunnel facility. Drag coefficients from control volume analysis of the SPIV and wall pressure data and laser interferometer skin friction measurements are used for independent cross-validation. The UKF-based data assimilation algorithm is robust to the uncertain and discretized experimental data and is able to provide accurate estimates of turbulent boundary layer parameters with quantified uncertainty.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».