Jet mixing optimization using a flexible nozzle, distributed actuators, and machine learning
Notice bibliographique
Résumé
In this paper, we introduce the first jet nozzle allowing simultaneous shape variation and distributed active control, termed “Smart Nozzle” in the sequel. Our Smart Nozzle manipulates the jet with an adjustable flexible shape via 12 equidistant stepper motors and 12 equidistantly placed inward-pointing minijets. The mixing performance is evaluated with a 7 × 7 array of Pitot tubes at the end of the potential core. The experimental investigation is carried out in three steps. First, we perform an aerodynamic characterization of the unforced round jet flow. Second, we investigate the mixing performance under five representative nozzle geometries, including round, elliptical, triangular, squared, and hexagonal shapes. The greatest mixing area is achieved with the square shape. Third, the symmetric forcing parameters are optimized for each specified nozzle shape with a machine learning algorithm. The best mixing enhancement for a symmetric active control is obtained by the squared shape, which results in a 1.93-fold mixing area increase as compared to the unforced case. Symmetrically unconstrained forcing achieves a nearly 4.5-fold mixing area increase. The Smart Nozzle demonstrates the feasibility of novel flow control techniques that combine shape variation and active control, leveraging the capabilities of machine learning optimization algorithms.
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 ».