MétaCan
Menu
Retour à la cohorte
Enregistrement W4311029713 · doi:10.1063/5.0129564

Advection-based temporal reconstruction technique for turbulent velocity fields

2022· article· en· W4311029713 sur OpenAlexaff
Maegan Vocke, Ralf Kapulla, Chris Morton, Markus Klein, Robert J. Martinuzzi

Notice bibliographique

RevuePhysics of Fluids · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensMcMaster UniversityUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPhysicsTurbulenceAdvectionParticle image velocimetryJet (fluid)Spectral methodVelocimetryFlow (mathematics)Statistical physicsAlgorithmMechanicsMathematical analysisMathematics

Résumé

récupéré en direct d'OpenAlex

The characterization of turbulent flows is challenging due to the interaction of widespread spatiotemporal scales. Experimental techniques such as particle image velocimetry can be used to obtain spatially resolved flow measurements; however, these systems often suffer from limited acquisition rates. The present work investigates the ability of an advection-based flow reconstruction technique to increase the temporal resolution of turbulent flow data without any prior knowledge of the flow physics. A semi-Lagrangian technique is suggested to obtain fluid trajectories through a forward and backward integration of the available spatiotemporal data. The estimates are then fused using a temporal weighting scheme to yield velocity fields at intermediate times. The performance of the method is verified against three-dimensional direct numerical simulation (DNS) data of a plane jet at Re = 10 000. Extracting time series data from the spatially and temporally resolved DNS results, five test cases with artificially lowered sampling frequencies were generated. Spectral analysis revealed that the characteristic frequency found in shear layer-dominated flows can be obtained even for the most extreme case. Additionally, spectral information up to two orders of magnitude beyond the Nyquist criteria is successfully recovered throughout the spatial domain—surpassing the performance of previously introduced methods. The maximum spectral reconstruction error of the suggested method, defined as net energy loss or gain, fell within the bounds of [−5, 3]%, with a corresponding global energy difference in the range of [−2, 1]%. Furthermore, the spatially averaged reconstruction error for the velocity fluctuations was bound by [6±6]%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,211
Écart entre enseignants0,201 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics of FluidsMême sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207