Notice bibliographique
Résumé
These data sets provide the WRF [1] calculated wind data for Pritzwalk (onshore) and FINO3 (offshore) as Python dictionaries. Additionally, the files contain k-means cluster objects derived from these profiles. These data sets were used for power assessment and design exploration of Airborne Wind Energy Systems using the awebox [2] optimization toolbox. WRF setups are described in detail and used in publication [3,4,5]. Wind data are interpolated to fixed heights of: [10, 28, 50, 70, 90, 100, 150, 200, 250, 300, 350, 400, 450, 500, 550, 600, 700, 800, 1000, 1200] meters above ground. Onshore wind data: Location lat: 53° 10.78' N; long: 12° 11.35' E Time: 1 September 2015 - 31 August 2016 Timestep: 10 min Offshore wind data: Location lat: 55° 11.7' N, long: 7° 9.5' E Time: 1 September 2013 - 31 August 2014 Timestep: 10 min The clusters are derived from both horizontal wind velocity components using the scikit-learn’s k-means clustering algorithm [6]. For our purposes, wind vectors were rotated such that the main wind speed always points in the same direction (u_main,u_deviation). [1]: Weather Research and Forecasting Model [2]: awebox [3]: Improving mesoscale wind speed forecasts using lidar-based observation nudging for airborne wind energy systems [4]: Offshore and onshore ground-generation airborne wind energy power curve characterization [5]:Ground-generation airborne wind energy design space exploration [6]: sklearn.cluster.KMeans
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,030 | 0,025 |
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 ».