Enhancing Wind Tunnel Computational Simulations of Finite Element Analysis Using Machine Learning-Based Algorithms
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.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».