Exploring the limits of flow measurements over very large volumes
Notice bibliographique
Résumé
State-of-the-art flow measurements typically utilize four or more high-speed cameras to perform highly-accurate Lagrangian particle tracking (LPT) over small-to-medium-sized measurement volumes (Schanz et al., 2016). Recently, Hou et al. (2021) proposed a novel LPT approach that allows for measurement over significantly larger measurement volumes on the order of 10m3 while simplifying the experimental setup. Here, a single camera is used to track centimeter-sized soap bubbles in three dimensions by not only evaluating the bubble-center location but also the bubble-image size itself. Possible applications of the suggested approach include – but are not limited to – measurements in industrial wind tunnels (Hou et al., 2021), full-scale measurements in the atmospheric boundary layer (Rosi et al., 2014; Toloui et al., 2014), and the characterization of airflow in indoor spaces, such as offices or classrooms (Kaehler et al., 2020). With such large-scale measurements come challenges associated with identifying characteristic features with inherently sparse data. Existing approaches, including coherent-structure coloring (CSC) – see Schlueter-Kuck Dabiri (2017)) and Martins et al. (2021) – will be reviewed before a new approach based on multi-scale recurrence networks will be tested on a series of canonical problems.
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 | 0,004 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».