MétaCan
Menu
Retour à la cohorte
Enregistrement W2978755806 · doi:10.1115/1.4044981

Dynamic Mode Decomposition Analysis of Flow Separation in a Diffuser to Inform Flow Control Strategies

2019· article· en· W2978755806 sur OpenAlexafffund
Jinchun Wang, Guoping Huang, Weiyu Lu, Pierre E. Sullivan

Notice bibliographique

RevueJournal of Fluids Engineering · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNational Key Research and Development Program of ChinaChina Scholarship CouncilMitacsCompute CanadaNational Natural Science Foundation of ChinaGovernment of OntarioUniversity of TorontoOntario Centres of Excellence
Mots-clésDynamic mode decompositionWakeDiffuser (optics)Flow (mathematics)Mode (computer interface)Large eddy simulationFlow control (data)MechanicsMean flowBluffPhysicsLagrangian coherent structuresUpstream (networking)TurbulenceComputer scienceOpticsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract In this work, a large eddy simulation (LES) of a typical subsonic diffuser provides data used to analyze coherent structure in a separated flow with dynamic mode decomposition (DMD). From this, a low–dimensional approximation, which retains the main dynamic characteristics of the original flow fields, is obtained. In particular, specific dynamic structures associated with a unique frequency are isolated. The spatial structures of the real and imaginary parts of the DMD mode are similar but with a phase difference. The contribution of the conjugate modes to the evolution of the DMD modes over time is discussed. The dominant frequency is found to be related to the wake mode. The scale of wake will saturate, and the shear layer will become weaker and merges into the wake structure as it develops downstream. This allows direction for effective flow control strategies using this information.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,241
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Fluids EngineeringMême sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207