Data-Driven Calibration of Rough Heat Transfer Prediction Using Bayesian Inversion and Genetic Algorithm
Notice bibliographique
Résumé
The prediction of heat transfers in Reynolds-Averaged Navier–Stokes (RANS) simulations requires corrections for rough surfaces. The turbulence models are adapted to cope with surface roughness impacting the near-wall behaviour compared to a smooth surface. These adjustments in the models correctly predict the skin friction but create a tendency to overpredict the heat transfers compared to experiments. These overpredictions require the use of an additional thermal correction model to lower the heat transfers. Finding the correct numerical parameters to best fit the experimental results is non-trivial, since roughness patterns are often irregular. The objective of this paper is to develop a methodology to calibrate the roughness parameters for a thermal correction model for a rough curved channel test case. First, the design of the experiments allows the generation of metamodels for the prediction of the heat transfer coefficients. The polynomial chaos expansion approach is used to create the metamodels. The metamodels are then successively used with a Bayesian inversion and a genetic algorithm method to estimate the best set of roughness parameters to fit the available experimental results. Both calibrations are compared to assess their strengths and weaknesses. Starting with unknown roughness parameters, this methodology allows calibrating them and obtaining between 4.7% and 10% of average discrepancy between the calibrated RANS heat transfer prediction and the experimental results. The methodology is promising, showing the ability to finely select the roughness parameters to input in the numerical model to fit the experimental heat transfer, without an a priori knowledge of the actual roughness pattern.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».