Artificial neural networks and guided gene expression programming to predict wall pressure spectra beneath turbulent boundary layers
Notice bibliographique
Résumé
This study evaluates the efficacy of two machine learning (ML) techniques, namely, artificial neural networks (ANNs) and gene expression programing (GEP), that use data-driven modeling to predict wall pressure spectra (WPS) underneath turbulent boundary layers. Different datasets of WPS from experiments and high-fidelity numerical simulations covering a wide range of pressure gradients and Reynolds numbers are considered. For both ML methods, an optimal hyperparameter environment is identified that yields accurate predictions. Despite a higher memory consumption, ANN models are faster to train and are much more accurate than the GEP models, yielding an order of magnitude lower logarithmic Mean Squared Error (lMSE) than GEP. Novel training schemes are devised to address the shortcomings of GEP. These include (a) ANN-assisted GEP to reduce the noise in the training data, (b) exploiting the low- and high-frequency trends to guide the GEP search, and (c) a stepped training strategy where the chromosomes are first trained on the canonical datasets, followed by the datasets with complex features. When compared to the baseline scheme, these training strategies accelerated convergence and resulted in models with superior accuracy (≈30% reduction in the median lMSE) and higher reliability (≈75% reduction in the spread of lMSE in the interquartile range). The final GEP models captured the complex trends of WPS across varying flow conditions and pressure gradients, surpassing the accuracy of Goody's model.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 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 ».