MétaCan
Menu
Retour à la cohorte
Enregistrement W4405425828 · doi:10.3390/fluids9120299

The Reynolds Number: A Journey from Its Origin to Modern Applications

2024· article· en· W4405425828 sur OpenAlexaff
Manuel Saldaña, Sandra Gallegos, Edelmira D. Gálvez, Jonathan Castillo, Eleazar Salinas‐Rodríguez, Eduardo Cerecedo‐Sáenz, Juan Hernández-Ávila, Alessandro Navarra, Norman Toro

Notice bibliographique

RevueFluids · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueTribology and Lubrication Engineering
Établissements canadiensMcGill University
Organismes subventionnairesUniversidad de Antofagasta
Mots-clésReynolds numberMagnetic Reynolds numberMechanicsPhysicsTurbulence

Résumé

récupéré en direct d'OpenAlex

The Reynolds number (Re), introduced in the late 19th century, has become a fundamental parameter in a lot of scientific fields—the main one being fluid mechanics—as it allows for the determination of flow characteristics by distinguishing between laminar and turbulent regimes, or some intermediate stage. Reynolds’ 1895 paper, which decomposed velocity into average and fluctuating components, laid the foundation for modern turbulence modeling. Since then, the concept has been applied to various fields, including external flows—the science that studies friction—as well as wear, lubrication, and heat transfer. Literature research in recent times has explored new interpretations of Re, and despite its apparent simplicity, the precise prediction of Reynolds numbers remains a computational challenge, especially under conditions such as the study of multiphase flows, non-Newtonian fluids, highly turbulent flow conditions, flows on very small scales or nanofluids, flows with complex geometries, transient or non-stationary flows, and flows of fluids with variable properties. Reynolds’ work, which encompasses both scientific and engineering contributions, continues to influence research and applications in fluid dynamics.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,016
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,008
Communication savante0,0060,014
Science ouverte0,0020,003
Intégrité de la recherche0,0040,011
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,256
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations45
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFluidsMême sujetTribology and Lubrication EngineeringTravaux en français237 207