Modified Accuracy of RANS Modeling of Urban Pollutant Flow within Generic Building Clusters Using a High-Quality Full-Scale Dispersion Dataset
Notice bibliographique
Résumé
To improve the reliability of the computational fluid dynamics (CFD) models of wind-driven pollutant dispersion within urban settings, a re-calibration study is conducted to optimize the standard k−ε model. A modified optimization framework based on the genetic algorithm is adapted to alleviate the computational expenses and to further identify ranges for each empirical coefficient to achieve the most reliable and accurate predictions. A robust objective function is defined, incorporating both the flow parameters and pollutant concentration through several linear and logarithmic measures. The coefficients are trained using high-quality and full-scale tracer experiments in a mock urban arrangement simulating a building array. The proposed ranges are 0.14≤Cμ≤0.15, 1.30≤Cε1≤1.46, 1.68≤Cε2≤1.80, 1.12≤σε≤1.20, and 0.87≤σk≤1.00. A thorough evaluation of the predicted flow and concentration fields indicates the modified closure is effective. The fraction of predictions within the acceptable ranges from measurements has increased by 8% for pollutant concentration and 27% for turbulence kinetic energy. The generality of the calibrated model is further tested by modeling additional cases with different meteorological conditions, in which the calculated validation metrics attest to the noteworthy improvements in predictions.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».