Deep Convolutional Recurrent Autoencoders for Flow Field Prediction
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
Abstract In this paper, an end-to-end nonlinear model reduction methodology is presented based on the convolutional recurrent autoencoder networks. The methodology is developed in the context of overall data-driven reduced order model framework proposed in the paper. The basic idea behind the methodology is to obtain the low dimensional representations via convolutional neural networks and evolve these low dimensional features via recurrent neural networks in time domain. The high dimensional representations are constructed from the evolved low dimensional features via transpose convolutional neural networks. With an unsupervised training strategy, the model serves as an end to end tool which can evolve the flow state of the nonlinear dynamical system. The convolutional recurrent autoencoder network model is applied on the problem of flow past bluff bodies for the first time. To demonstrate the effectiveness of the methodology, two canonical problems namely the flow past plain cylinder and the flow past side-by-side cylinders are explored in this paper. Pressure and velocity fields of the unsteady flow are predicted in future via the convolutional recurrent autoencoder model. The performance of the model is satisfactory for both the problems. Specifically, the multiscale nature and the gap flow dynamics of the side-by-side cylinders are captured by the proposed data-driven model reduction methodology. The error metrics, the normalized squared error and the normalized reconstruction error are considered for the assessment of the data-driven framework.
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 | 0,000 | 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) | 0,002 | 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