A Data-Driven Approach for Generating Vortex-Shedding Regime Maps for an Oscillating Cylinder
Notice bibliographique
Résumé
This study presents a data-driven approach for generating vortex-shedding maps, which are vital for predicting flow structures in vortex-induced vibration (VIV) wind energy extraction devices, while addressing the computational and complexity limitations of traditional methods. The approach employs unsupervised clustering techniques on subsequences extracted using the matrix profile method from local flow measurements in the wake of an oscillating circular cylinder generated from 2-dimensional computational fluid dynamics simulations of VIV. The proposed clustering methods were validated by reproducing a benchmark map produced at a low Reynolds number (Re = 4000) and then extended to a higher Reynolds number (Re = 10,000) to gain insights into the complex flow regimes. The multi-step clustering methods used density-based and k-Means clustering for the pre-clustering stage and agglomerative clustering using dynamic time warping (DTW) as the similarity measure for final clustering. The clustering methods achieved exceptional performance at high-Reynolds-number flow, with scores in the silhouette index (0.4822 and 0.4694) and Dunn index (0.3156 and 0.2858) demonstrating the accuracy and versatility of the hybrid clustering methods. This data-driven approach enables the generation of more accurate and feasible maps for vortex-shedding applications, which could improve the design and optimization of VIV wind energy harvesting systems.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».