Lessons Learned by the Fixed-Grid RANS TFG for HLPW-4 / GMGW-3
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2022-3211.vid The current state-of-the-practice technology for high-lift aerodynamic simulations is to solve the Reynolds-Averaged Navier-Stokes (RANS) equations on a fixed grid, or a refinement sequence of fixed grids. The Fixed-Grid Reynolds-Averaged Navier-Stokes Technology Focus Group set out to determine meshing requirements and best practices; whether RANS can accurately predict the change in aerodynamic performance with changes in flap deflection; whether RANS modeling can produce accurate results near CLmax ; and the effects of underconvergence and solution strategy on computed results. Eighteen groups of participants submitted over 100 datasets. Challenges with grid convergence and iterative convergence made it impossible to definitively answer all the questions we had posed. Despite this, we can conclude that meshes with at least half a billion cells (more than a billion degrees of freedom) are required for grid convergence away from stall; that RANS simulations cannot currently be reliably used to predict aerodynamic coefficients near stall, nor changes in coefficients with changes in flap angle; that iterative underconvergence remains a significant source of uncertainty in outputs; and that solution initialization can have an important effect on solution behavior, including flow separation patterns.
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 | 0,014 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,034 | 0,017 |
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 ».