Error propagation dynamics of velocimetry-based pressure field calculations (2): on the error profile
Notice bibliographique
Résumé
This work investigates the propagation of error in a Velocimetry-based Pressure field reconstruction (VPressure) problem to determine and explain the effects of error profile of the data on the error propagation. The results discussed are an extension to those found in Pan et al. (2016). We first show how to determine the upper bound of the error in the pressure field, and that this worst scenario for error in the data field is unique and depends on the characteristics of the domain. We then show that the error propagation for a V-Pressure problem is analogous to elastic deformation in, for example, a Euler-Bernoulli beam or Kirchhoff-Love plate for one- and two-dimensional problems, respectively. Finally, we discuss the difference in error propagation near Dirichlet and Neumann boundary conditions, and explain the behavior using Green’s function and the solid mechanics analogy. The methods discussed in this paper will benefit the community in two ways: i) to give experimentalists intuitive and quantitative insights to design tests that minimize error propagation for a V-pressure problem, and ii) to create tests with significant error propagation for the benchmarking of V-Pressure solvers or algorithms. This paper is intended as a summary of recent research conducted by the authors, whereas the full work has been recently published (Faiella et al., 2021).
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) | 0,003 | 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 ».