Deep-Learning-Based Reduced-Order Model for Power Generation Capacity of Flapping Foils
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Inspired by nature, oscillating foils offer viable options as alternate energy resources to harness energy from wind and water. Here, we propose a proper orthogonal decomposition (POD)-based reduced-order model (ROM) of power generation by flapping airfoils in conjunction with deep neural networks. Numerical simulations are performed for incompressible flow past a flapping NACA-0012 airfoil at a Reynolds number of 1100 using the Arbitrary Lagrangian-Eulerian approach. The snapshots of the pressure field around the flapping foil are then utilized to construct the pressure POD modes of each case, which serve as the reduced basis to span the solution space. The novelty of the current research relates to the identification, development, and employment of long-short-term neural network (LSTM) models to predict temporal coefficients of the pressure modes. These coefficients, in turn, are used to reconstruct hydrodynamic forces and moment, leading to computations of power. The proposed model takes the known temporal coefficients as inputs and predicts the future temporal coefficients followed by previously estimated temporal coefficients, very similar to traditional ROM. Through the new trained model, we can predict the temporal coefficients for a long time duration that can be far beyond the training time intervals more accurately. It may not be attained by traditional ROMs that lead to erroneous results. Consequently, the flow physics including the forces and moment exerted by fluids can be reconstructed accurately using POD modes as the basis set.
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.
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 découle