Revisit Liu & Katz (2006) And Zigunov & Charonko (2024): On The Equivalency Of Omni-Directional Integration And Pressure Poisson Equation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper we demonstrate the equivalency of Omni-Directional Integration (ODI) and the Pressure Poisson Equation (PPE) for pressure field reconstruction from corrupted image velocimetry data. Over the years, it has been long debated which of the two families of methods is better for pressure reconstruction, direct pressure gradient integration (particularly ODI) versus PPE. Some have claimed that ODI is fundamentally different, and far more accurate than PPE; while other studies observed similar reconstruction accuracy between ODI and PPE (McClure & Yarusevych, 2017). This debate has been filled with confusion and conflicting results until a recent breakthrough by Zigunov & Charonko (2023, 2024) while trying to improve the computational efficiency of ODI. In a series of works, Zigunov & Charonko (2023, 2024) reformulated the iterative integration process of ODI into a system of linear equations resembling the discretized PPE, alluding to a deep connection between ODI and PPE. With careful numerical treatment, we show that ODI can be viewed as pursuing the minimal norm solution to a Poisson equation with pure Neumann boundary conditions. We provide a detailed and physical explanation for why some have reported poor robustness of the PPE, highlighting critical nuances in its numerical implementation, and explain why the ODI is more robust to random noise in the data. We hope to put an end to the PPE versus ODI debate and clear up the confusion surrounding how these and when these methods perform well. With these new comprehensions, we can leverage the established regularization techniques and efficient numerical algorithms of elliptic equations to improve PPE/ODI-based pressure field reconstruction.
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.
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) | 0,001 | 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 découle