Derivation of an Empirical Model to Estimate the Power Spectral Density of Turbulent Flow Wall Pressure Fluctuations Using Machine Learning Regression Techniques
Notice bibliographique
Résumé
Aircraft cabin noise is a significant contributor to health risks in regular air travellers and crew, being associated with an elevated risk of cardiovascular disease, hearing loss, and sleep deprivation.At cruise conditions, the noise is primarily caused by random pressure fluctuations in the aircraft turbulent boundary layer, and as such the search for an accurate empirical model to predict these fluctuations is an important ongoing research topic.The earliest models by Lowson and Robertson were derived by simplifying and solving the governing Reynolds-averaged Navier-Stokes equations for the fluctuating pressure term, while subsequent models were usually derived via the application of statistical and mathematical techniques to simplify earlier models, or by making appropriate modifications to address apparent shortcomings.However, past research has yet to yield a universally applicable model, with most only being accurate near the Mach and Reynolds numbers they were designed for.However, more recent work by Dominique demonstrated that artificial neural networking, a type of machine learning technique, could potentially produce a model that was accurate under most flight conditions.This thesis extends Dominique's research by creating a new equation via the application of a different machine learning technique (nonlinear least squares regression analysis) and a novel iterative process to develop the model form.The resulting equation was accurate at most Reynolds numbers and low airspeeds (approximately 11 m/s), though more outside data will be needed to fully understand its accuracy and shortcomings.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».