Error propagation dynamics of velocimetry-based pressure field calculations (2): on the error profile
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 A recent study investigated the propagation of error in a velocimetry-based pressure (V-pressure) field reconstruction problem by directly analyzing the properties of the pressure Poisson equation (Pan et al 2016 Meas. Sci. Technol. 27 084012). In the present work, we extend these results by quantifying the effect of the error profile in the data field (shape/structure of the error in space) on the resultant error in the reconstructed pressure field. We first calculate the mode of the error in the data that maximizes error in the pressure field, which is the most dangerous error (called the worst error in the present work). This calculation of the worst error is equivalent to finding the principle mode of, for example, an Euler–Bernoulli beam problem in one-dimension and the Kirchhoff–Love plate in two-dimensions, thus connecting the V-pressure problem from experimental fluid mechanics to buckling elastic bodies from elastic mechanics. Taking advantage of this analogy, we then analyze how the error profile (e.g. spatial frequency of the error and the location of the most concentrated error) in the data field coupled with fundamental features of the flow domain (i.e. size, shape, and dimension of the domain, and the configuration of boundary conditions) significantly affects the error propagation from data to the reconstructed pressure. Our analytical results lend to practical applications in two ways. First, minimization of error propagation can be achieved by avoiding low frequency error profiles in data similar to the worst case scenarios and error concentrated at sensitive locations. Second, small amounts of the error in the data, if the error profile is similar to the worst error case, can cause significant error in the reconstructed pressure field; such a synthetic error can be used to benchmark V-pressure algorithms.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle