Data-Driven Calibration of Rough Heat Transfer Prediction Using Bayesian Inversion and Genetic Algorithm
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
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.
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) | 0,000 | 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