A goal-oriented adaptive sampling procedure for projection-based reduced-order models with hyperreduction
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
Projection-based reduced-order models (PROMs) are an invaluable tool for efficiently generating approximate solutions to high-dimensional, differential equation-based computational models across many applications. In the field of modern aircraft design, they are used to substitute costly computational fluid dynamics (CFD) simulations. This work builds on a previously developed goal-oriented adaptive sampling procedure that uses adjoint-based dual-weighted residual (DWR) error indicators to guide snapshot selection. This ensures the construction of an efficient PROM in addition to providing a way to estimate the expected error introduced in the functional of interest. The key contribution of this work is the integration of hyperreduction into this goal-oriented framework—both in the ROM solution process and in the DWR error estimation. This allows the construction of a hyperreduced-order model (HROM), through the use of the energy-conserving sampling and weighting (ECSW) method, that achieves the same functional error tolerance as a standard ROM, but at a significantly lower computational cost. The approach is demonstrated on a NACA 0012 airfoil with various problem configurations. The results indicate that despite the increased basis size needed to offset the additional error introduced by hyperreduction, the updated procedure enables efficient offline HROM construction and accurate online predictions. The results in this paper are limited to steady-state CFD problems, but the approach can be extended to unsteady CFD problems and other engineering problems of interest.
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 | 0,001 |
| 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 découle