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 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 | 0,001 |
| 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 | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,097 | 0,012 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».