Machine learning mesh-adaptation for laminar and turbulent flows: applications to high-order discontinuous Galerkin solvers
Notice bibliographique
Résumé
Abstract We present a machine learning-based mesh refinement technique for steady and unsteady incompressible flows. The clustering technique proposed by Otmani et al. (Phys Fluids 35(2):027112, 2023) is used to mark the viscous and turbulent regions for the flow past a cylinder at $$Re=40$$ R e = 40 (steady laminar flow), at $$Re=100$$ R e = 100 (unsteady laminar flow), and at $$Re=3900$$ R e = 3900 (unsteady turbulent flow). Within this clustered region, we use high mesh resolution, while downgrading the resolution outside, to show that it is possible to obtain levels of accuracy similar to those obtained when using a uniformly refined mesh. The mesh adaptation is effective, as the clustering successfully identifies the two flow regions, a viscous/turbulent dominated region (including the boundary layer and wake) that requires high resolution and an inviscid/irrotational region, which only requires low resolution. The new clustering sensor is compared with traditional feature-based sensors (Q-criterion and vorticity based) commonly used for mesh adaptation. Unlike traditional sensors that rely on problem-dependent thresholds, our novel approach eliminates the need for such thresholds and locates the regions that require adaptation. After the initial validation using flows past cylinders, the clustering technique is applied in an engineering context to study the flow around a horizontal axis wind turbine configuration which has been tested experimentally at the Norwegian University of Science and Technology. The data used within this framework are generated using a high-order discontinuous Galerkin solver, allowing to locally refine the polynomial order ( p -refinement) in each element of the clustered region. For the laminar test cases, we can reduce the computational cost by 32% (steady $$Re=40$$ R e = 40 case) and 20% (unsteady $$Re=100$$ R e = 100 case), while we get a reduction of 33% for the $$Re=3900$$ R e = 3900 turbulent case. In the context of the wind turbine, a reduction of 43% in computational cost is observed, while maintaining the accuracy.
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 | 0,005 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».