MétaCan
Menu
Retour à la cohorte
Enregistrement W3210454111 · doi:10.1088/1361-6501/abf30d

Error propagation dynamics of velocimetry-based pressure field calculations (2): on the error profile

2021· article· en· W3210454111 sur OpenAlexafffund
Matthew Faiella, Corwin Grant Jeon Macmillan, Jared P. Whitehead, Zhao Pan

Notice bibliographique

RevueMeasurement Science and Technology · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPropagation of uncertaintyBernoulli's principleField (mathematics)Approximation errorRound-off errorObservational errorMathematicsComputer scienceAlgorithmMathematical analysisPhysicsStatistics

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,224
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMeasurement Science and TechnologyMême sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207