Mode classification for vortex shedding from an oscillating wind turbine using machine learning
Notice bibliographique
Résumé
Abstract This study presents an effective strategy that applies machine learning methods to classify vortex shedding modes produced by the oscillating cylinder of a bladeless wind turbine. A 2-dimensional computational fluid dynamic (CFD) simulation using OpenFOAMv2006 was developed to simulate a bladeless wind turbines vortex shedding behavior. The simulations were conducted at two wake modes (2S, 2P) and a transition mode (2PO). The local flow measurements were recorded using four sensors: vorticity, flow speed, stream-wise and transverse stream-wise velocity components. The time-series data was transformed into the frequency domain to generate a reduced feature vector. A variety of supervised machine learning models were quantitatively compared based on classification accuracy. The best performing models were then reevaluated based on the effects of artificial noisy experimental data on the models’ performance. The velocity sensors orientated transverse to the pre-dominant flow ( u y ) achieved improved testing accuracy of 15% compared to the next best sensor. The random forest and k -nearest neighbor models, using u y , achieved 99.3% and 99.8% classification accuracy, respectively. The feature noise analysis conducted reduced classification accuracy by 11.7% and 21.2% at the highest noise level for the respective models. The random forest algorithm trained using the transverse stream-wise component of the velocity vector provided the best balance of testing accuracy and robustness to data corruption. The results highlight the proposed methods’ ability to accurately identify vortex structures in the wake of an oscillating cylinder using feature extraction.
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 | 0,001 |
| 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 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 ».