Exploring the signature of distributed pressure measurements on non-slender delta wings during axial and vertical gusts
Notice bibliographique
Résumé
For a broad range of aerodynamic bodies, vortex structures arising from perturbations such as gusts cause characteristic surface pressure signatures that are coupled to the observed aerodynamic loads. The present study evaluates the extent to which sparsely measured pressure signatures can be used to identify the spatio-temporal evolution of vortex structures and, specifically, their relationship to the bulk aerodynamic loads. A non-slender delta wing experiencing axial and vertical gusts under various initial stall conditions is selected as a test case. Time-resolved loads, distributed surface pressures, and time-resolved flow fields (particle image velocimetry) are collected for a wide range of parameters in a towing-tank facility. By linearly mapping the sparse pressure data to the aerodynamic loads, the spatio-temporal relation of loads and pressure can be extracted. The static mapping coefficients are determined through linear regression at each incidence angle as well as for an angle-independent (aggregate) case. Despite slightly larger errors when compared to the angle-specific fits, the aggregate method maintains a good fit quality over all angles of attack and thereby provides a robust pressure-load mapping. Thus, the existence of a common mechanism across gusts and angles of attack is identified despite the stark differences in flow conditions, i.e., light vs deep dynamic stall. In addition, the lasso regularization used in the study provides valuable insight into sensor reduction. The distribution of fewer regression predictors indicates specific pressure ports that capture the footprint of dominant flow features and thereby suggest sensitive locations for future clusters of sensors.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».