MétaCan
Menu
Retour à la cohorte
Enregistrement W2983694502

A novel Gappy reduced order method to capture non-parameterized geometrical variation in fluid dynamics problems

2019· preprint· en· W2983694502 sur OpenAlexaff
Nissrine Akkari, Fabien Casenave, David Ryckelynck

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomainePhysics and Astronomy
ThématiqueModel Reduction and Neural Networks
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesnon disponible
Mots-clésParameterized complexityVariation (astronomy)Dynamics (music)Order (exchange)MathematicsComputer scienceStatistical physicsApplied mathematicsAlgorithmPhysicsEconomicsAstrophysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

In this work, we propose a new Gappy reduced order method to fill the gap within an incomplete turbulent and incompressible data field in such a way to satisfy the physical and topological changes of the fluid flow after a non-parameterized geometrical variation in the fluid domain 1. A single baseline simulation is assumed to be performed prior geometrical variations. The proposed method is an enhancement of the Gappy-POD method proposed by Everson and Sirovich in 1995, in the case where the given set of empirical eigenfunctions is not sufficient and is not interpolant for the recovering of the modal coefficients for each Gappy snapshot by a least squares procedure. This happens when the available data cannot be written as an interpolation of the baseline POD modes. This is typically the case when we introduce non-parameterized geometrical modifications in the fluid domain. Here, after the baseline simulation, additional solutions of the incompressible Navier-Stokes equations are solely performed over a restricted fluid domain, that contains the geometrical modifications. These local Large Eddy Similations that we will call hybrid simulations are performed by using the immersed boundary technique, where the latter is a fluid boundary and is defined by the baseline velocity field. Then, we propose to repair the POD modes using a local modification of the baseline POD modes in the restricted fluid domain. The modal coefficients of the least squares optimization of the Gappy-POD technique are now well recovered thanks to these updated modes, i.e. the residual of the Gappy-POD technique in the restricted fluid domain is now equal to zero. Furthermore, we will propose a physical correction of the latter enhanced Gappy-POD modal coefficients thanks to a Galerkin projection of the full Navier-Stokes equations upon the new compression modes of the available data. This repairing procedure of the global velocity reconstruction by the physical constraint was tested on a 3D semi-industrial test case of a typical aeronautical injection system. The speed-up relative to this new technique is equal to 100, which allows us to perform an exploration of two new designs of the aeronautical injection system.

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)0,001
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: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,024
Tête enseignante GPT0,292
Écart entre enseignants0,269 · 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
GenreMéthodes

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

En bref

Citations3
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetModel Reduction and Neural NetworksTravaux en français237 207