Quasi-Monte Carlo technique in global sensitivity analysis of wind resource assessment with a study on UAE
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
The present paper bridges mathematical modeling and wind resource assessment (WRA). Sensitivity analysis (SA) links portions of output variance to the variance in each input variable. Global SA (GSA) explores inputs globally. One-at-a-time SA is dominating in WRA, while GSA is often overlooked. Compared to traditional methods, GSA offers potential improvement by the means of the quasi-Monte Carlo (QMC) technique with its elaborate sampling designs enabling faster convergence. The main novelty of this work is twofold: the use of QMC in WRA and Sobol method as a variance-based GSA method in WRA. This paper is among a few using GSA in WRA. Two case studies were conducted. One shows that QMC with sampling based on Sobol sampling outperforms Latin hypercube sampling and pseudorandom sampling. It also shows that in terms of accuracy of results, the brute-force calculation of Sobol sensitivity indices (SI) should be used whenever the model allows it; otherwise, SI can be estimated. Another case study demonstrates a valid GSA study for WRA at Masdar City, United Arab Emirates. The results suggest that the influence of the variance in Weibull parameters on annual energy production (AEP) might be overestimated, while found to be responsible for 2% of AEP uncertainty, and the influence of the variance in air density might be overlooked, while found to account for 94%. WRA studies would benefit greatly from using the QMC and Sobol method. The Sobol method is a universal GSA method, providing valid results for nonlinear models typical for WRA, and QMC provides global scalability, model independence, and flexibility in uncertainty quantification.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle