A novel framework for cost-effectively reconstructing the global flow field by super-resolution
Notice bibliographique
Résumé
Fluid data are of great significance for analyzing the fluid structure and understanding the law of fluid movement. Apart from the experimental test, the computational fluid dynamics (CFD) method has been widely applied in the field of fluid dynamics over the past few decades. However, due to the high computational costs of CFD method and the limitation of computational resources, it is still challenging to accurately calculate and obtain the high-resolution (HR) flow fields. To this end, a novel framework based on the super-resolution (SR) algorithm, namely, new enhanced down-sampled skip-connection and multi-scale (E-DSC/MS), is reported to achieve the HR global flow reconstruction from low-resolution data. Through the new SR flow reconstruction method, the HR flow fields of two benchmark 2D cases (i.e., cylinder and hydrofoil) are precisely and efficiently predicted using a universal SR model. The effectiveness of the new E-DSC/MS algorithm is tested by comparing it with the traditional super-resolution convolution neural network and U-net in terms of the velocity field prediction of the self-region (training region) and other-region (untrained region). The result shows that the universal SR flow reconstruction framework is able to increase the spatial resolution of velocity field by 16 times, and flow fields reconstructed by E-DSC/MS are in good agreement with the ground-truth data. In addition, the E-DSC/MS model could reconstruct the global flow field with a correlation coefficient of more than 99% regardless of the selection of the arbitrary region/window for SR training. The present method overcomes the limitation of the existing techniques in efficiently reconstructing HR flow field, which helps to reduce the requirement for expensive experimental equipment and to accelerate the CFD simulation process.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».