Extracting vector magnitudes of dominant structures in a cyclic engine flow with dimensionality reduction
Notice bibliographique
Résumé
In fluid mechanics research, data gathered from measurements and simulations may be challenging to interpret due to complexities such as transience, non-linearity, and high dimensionality. Velocity data from the airflow through an internal combustion engine often exhibit such properties; nevertheless, accurate characterizations of these airflows are required in order to correctly predict and control the subsequent combustion and emission processes in pursuit of net zero targets. The temporal mean is a common way of representing an ensemble of realizations of velocity fields, but the averaging process can artificially diminish the magnitudes of the resultant vectors. Accurate representation of these vector magnitudes is of particular importance, as the velocity magnitudes in the intake airflow are thought to be primary drivers of the subsequent variation in an engine flow, which influences emission formation and overall efficiency. As an alternative to the ensemble mean, this work proposes the application of a dimensionality reduction method known as the sparsity-promoting dynamic mode decomposition (SPDMD), which can extract core structures from an ensemble of velocity fields while retaining more realistic vector magnitudes. This is demonstrated for the first time with large-eddy simulation (LES) velocity data and compared to a corresponding set of experimental particle image velocimetry (PIV) data. The SPDMD 0 Hz modes are shown to be more representative of the velocity magnitudes present in both datasets. This facilitates more accurate quantification of the differences in vector magnitudes between simulations and experiments, and more reliable identification of which LES snapshots are closer to the PIV ensemble.
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 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 | 0,000 | 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 | 0,000 |
| 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 tête enseignante, 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 ».