Revisiting Liu and Katz (2006) and Zigunov and Charonko (2024b): on the Equivalence of the Omnidirectional Integration and the Pressure Poisson Equation
Notice bibliographique
Résumé
In this work, we demonstrate the equivalency of the Rotating Parallel Ray Omnidirectional Integration (RPR-ODI) and the Pressure Poisson Equation (PPE) for pressure field reconstruction from corrupted image velocimetry data (dubbed 'ODI $\equiv$ PPE'). Building on the work by Zigunov and Charonko (2024b), we show that performing the ODI is equivalent to pursuing the minimum norm least squares (MNLS) or minimum norm (MN) solution to a Poisson equation with all Neumann boundary conditions. By looking through the lens of linear algebra, regression, optimization, and the well-posedness of the Poisson equation, we provide a comprehensive and integrated framework to analyze ODI/PPE-based pressure field reconstruction methods. The new comprehensions on ODI $\equiv$ PPE provides theoretical and computational insights valuable to experimentalists beyond reducing the high computational cost of ODI to that of PPE. More importantly, we i) provide a comprehensive guideline for robust pressure reconstruction, and ii) unveil the shared strengths and limitations of ODI and PPE, which are elaborated in remarks and notes throughout this work. Some remarks suggest simple regularization strategies that serve as 'minimal reproducible examples' and provide a foundation for further refinement. This work paves the way for further improvements in ODI/PPE-based pressure field reconstruction by utilizing the extensive literature on fast and robust elliptic solvers as well as their associated regularization methods. Numerical experiments are presented to support and illustrate these arguments.
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 | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».