Enhancing Wind Tunnel Computational Simulations of Finite Element Analysis Using Machine Learning-Based Algorithms
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
Wind tunnels are essential for examining aircraft model aerodynamics, accurately simulating real-world conditions, and enhancing design and performance evaluations. This study introduces a novel technique to improve the time and accuracy of stress distribution forecasts in wind tunnel simulations. This method combines Finite Element Analysis (FEA) with two regression models: Support Vector Machine (SVM) and k-Nearest Neighbors (kNN). The investigation begins with a thorough analysis of ANSYS fluent flow data, which reveals intricate fluid dynamics details within the wind tunnel. A comparative analysis of stress projections, supplemented by Root Mean Square Error (RMSE) metric, demonstrates the proposed methodology’s viability. High accuracy is noted in the SVM-based model, as evidenced by its 2.1% RMSE, which surpasses the kNN model's 5.6% RMSE. Notably, the stress distribution calculation took almost 2 hours in ANSYS.In contrast, it required only 10 seconds in SVM and 3 seconds in kNN, showcasing the time-efficient attributes of these models where they solely depend on the trained data. Moreover, the computational efficacy of the SVM and kNN models is highlighted, emphasizing their flexibility in stress analysis. This integrative approach introduces a promising potential in engineering simulations, yielding precise stress distribution forecasts that have the potential to advance aircraft design methodologies and wind tunnel evaluations.
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 | 0,002 | 0,002 |
| 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 découle