The Derivation of an Empirical Model to Estimate the Power Spectral Density of Turbulent Boundary Layer Wall Pressure in Aircraft Using Machine Learning Regression Techniques
Notice bibliographique
Résumé
Aircraft cabin noise poses a health risk for regular passengers and crew, being connected to a heightened risk of cardiovascular disease, hearing loss, and sleep deprivation. At cruise conditions, its most significant cause is random pressure fluctuations in the turbulent boundary layer of aircraft, and as such the derivation of an accurate model to predict the power spectral density of these fluctuations remains an important ongoing research topic. Early models (such as those by Lowson and Robertson) were derived by simplifying the governing equations, the Reynolds-averaged Navier Stokes equations, and solving for fluctuating pressure. Most subsequent equations were derived either by applying statistical and mathematical techniques to simplify the Robertson and Lowson models or by making modifications to address apparent shortcomings. Overall, these models have had varying success—most are accurate near the Mach and Reynolds numbers they were designed for, but less accurate under other conditions. In response to this shortcoming, Dominique demonstrated that a novel technique (machine learning, specifically artificial neural networking) could produce a model that is accurate under most flight conditions. This paper extends this research further by applying a different machine learning technique (nonlinear least squares regression analysis) and dimensional analysis to produce a new model. The resulting equation proved accurate under its design conditions of low airspeed (approximately 11 m/s) and low turbulent Reynolds number (approximately 850,000). However, a larger dataset with more diverse flight conditions would be required to make the model more generally applicable.
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 ».