Dynamic Mode Decomposition for the Comparison of Engine In-Cylinder Flow Fields from Particle Image Velocimetry (PIV) and Reynolds-Averaged Navier–Stokes (RANS) Simulations
Notice bibliographique
Résumé
Abstract Validation of Reynolds-averaged Navier–Stokes (RANS) simulation results against experimental data such as flow measurements from particle image velocimetry (PIV) remains a challenge for the development of thermal propulsion systems. This is partly due to cycle-to-cycle variations (CCVs) in the air motion and partly due to uncertainties in the PIV measurement technique, complicating the question of what constitutes a fair validation target for the RANS model. Indeed, an inappropriate validation target can misguide subsequent adjustments of a RANS model. In this work, the ensemble-averaged PIV field is first investigated for its suitability as a validation target for RANS simulations. The relevance index and the velocity histogram distance are used as quantitative metrics to assess the similarity of the ensemble-averaged field to the full dataset of individual PIV cycles. While a high similarity is seen between the average PIV flow field and the individual cycles on the tumble plane, the similarity is lower and more variable on the cross-tumble plane, where there are significant CCVs. Standard (space-only, phase-dependent) proper orthogonal decomposition (POD) is employed as an alternative method of data processing with the aim of providing a fairer comparison to RANS simulations. The cycle-dependence of the standard POD modes is shown to be an aspect that results in many validation targets and an excessively broad validation range, limiting its utility in this context. Dynamic mode decomposition (DMD) and sparsity-promoting dynamic mode decomposition (SPDMD) are then proposed as alternative solutions, capable of extracting flow structures at specific frequencies. The background 0 Hz SPDMD modes exhibit an ability to produce more realistic flow fields with velocity magnitudes that are significantly closer to the individual cycles.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».