MétaCan
Menu
Retour à la cohorte
Enregistrement W2998545803 · doi:10.2514/6.2020-0985

Apparent Entropy Production Difference for Numerical Error Characterization

2020· article· en· W2998545803 sur OpenAlexaff
Peter U. Ogban, G.F. Naterer

Notice bibliographique

RevueAIAA Scitech 2020 Forum · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésEntropy productionDiscretizationControl volumeMathematicsEntropy (arrow of time)Applied mathematicsFinite volume methodConservation lawMaximum entropy probability distributionComputationHeat transferMathematical optimizationMathematical analysisStatistical physicsThermodynamicsPhysicsPrinciple of maximum entropyAlgorithmStatistics

Résumé

récupéré en direct d'OpenAlex

An entropy-based error indicator is presented to evaluate the solution accuracy in fluid flow problems with heat transfer using the Second Law of Thermodynamics. This article presents a new approach for the characterization of numerical error using a newly developed parameter called an “apparent entropy production difference”. A control-volume-based finite-element method (CVFEM) is used to discretize the governing conservation equations and the Second Law. The procedure involves the computation and comparison of local entropy production rates obtained from two forms of the discretized entropy production equations – transport and positive-definite forms of the entropy generation equation. The computed local entropy generation for two problems involving heat transfer in fluid flow agrees well with benchmark solutions. The results of the numerical studies indicated that there is a correlation between the solution error in the computed scalar variable value in each control volume and the apparent entropy production difference.

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)0,003
score de la tête « metaresearch » (Gemma)0,012
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
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)0,0010,000

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 Opus0,016
Tête enseignante GPT0,217
Écart entre enseignants0,201 · 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIAA Scitech 2020 ForumMême sujetNanofluid Flow and Heat TransferTravaux en français237 207