Artificial Neural Networks Prediction of Wall-Pressure Spectrum
Notice bibliographique
Résumé
An alternative to semi-empirical models of wall-pressure spectra beneath turbulent boundary layers (TBL) based on machine learning is presented in this work. To do so, Artificial Neural Networks (ANN) have been employed, as they have already been proven to work for this type of prediction. The previous efforts have been based on finding relationships between the boundary layer and the wall-pressure spectrum (WPS), always using a set of predefined features that drive the BL behavior. In this work, the complete boundary layer velocity profile is used to obtain the WPS prediction. The machine learning algorithm is composed of two separated ANNs: a velocity autoencoder to compress and extract the minimum required parameters driving the boundary layer, and a WPS predictor. The training and analysis of the ANN are performed on LES and DNS numerical data, covering a wide range of flow conditions. The results on the exploitation of the database have resulted in the evidence of the existence of a minimum of three boundary layer parameters driving the boundary layer evolution, no matter the nature of the pressure gradient (forward, zero, or adverse). The WPS prediction produces a global –in position and frequency– mean error of 3.2 dB/Hz, and it captures the effect of the main mid-frequency tonal peak as well as the generalized noise trends in the low, mid, and high-frequency content.
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 ».