Adaptive Discontinuous-Galerkin Reduced-Basis Reduced-Quadrature Method for Many-Query CFD Problems
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
View Video Presentation: https://doi.org/10.2514/6.2021-2716.vid We present a projection-based model reduction method for efficient solution of computational fluid dynamics problems in many-query scenarios, which require the evaluation of quantities of interest for many different flow-condition, geometry, or model parameters. Our goal is to construct reduced models that provide rapid and accurate output predictions and the associated a posteriori error estimates. To achieve this goal, our framework builds on the following key ingredients of adaptive high-order methods: the discontinous Galerkin method, which provides stability for conservation laws; the dual-weighted residual method, which provides effective output a posteriori error estimates. In addition, we incorporate two model reduction ingredients: reduced bases, which provide low-dimensional empirical approximation spaces tailored for the specific parametrized problem; reduced quadrature rules, which are the tailored quadrature rules for the reduced bases constructed using an empirical quadrature procedure. Both reduced bases and reduced quadrature rules are identified through an efficient and automatic offline training procedure that is informed by the behavior of a posteriori error estimates. We demonstrate the efficacy and versatility of the model reduction approach in four aerodynamics problems: Reynolds-averaged Navier-Stokes (RANS) flow over the ONERA M6 wing with the Mach number and the angle of attack as the parameters; laminar flow over shape-parametrized airfoils; uncertainty quantification of RANS flow with variabilities in the empirical parameters of the Spalart-Allmaras turbulence model; and unsteady flow past NACA0012 with the Reynolds number as the parameter. The reduced models achieve ~300-20000 speedup at less than 1% drag error level relative to an adaptive DG method and provide effective error estimates.
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 | 0,000 | 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) | 0,001 | 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 découle