Far-Field Aeroacoustic Shape Optimization using Large Eddy Simulation
Notice bibliographique
Résumé
This study presents a shape optimization framework that combines a Flux Reconstruction (FR) spatial discretization, Large Eddy Simulation (LES), the Ffowcs-Williams and Hawkings (FW-H) formulation, and the gradient-free Mesh Adaptive Direct Search (MADS) optimization algorithm. We emphasize the necessity of duplicating the data surface to achieve accurate far-field noise prediction in spanwise periodic problems using the FW-H formulation. The proposed parallel implementation of the optimization framework ensures consistent runtime per optimization iteration, regardless of the number of design parameters, thereby addressing a common limitation of many gradient-free algorithms. The framework is demonstrated through far-field aeroacoustic shape optimization of NACA 4-digit airfoils at a Reynolds number of 23,000. The objective function minimizes the Overall Sound Pressure Level (OASPL) at a far-field observer positioned 10 unit chords below the trailing edge, while preserving the mean lift coefficient and reducing the mean drag coefficient. The optimized airfoil achieves an OASPL reduction of 5 . 9 dB and over 14% decrease in mean drag, while maintaining the mean lift coefficient. These results underscore the feasibility and effectiveness of the proposed approach for practical shape optimization applications. • First far-field aeroacoustic optimization using high-order large eddy simulation. • MADS optimizer with a runtime independent of the number of design parameters. • Affordable computational cost achieved with GPU-accelerated, parallel execution. • Duplicating the FW-H data surface to mimic an infinite span. • Significant far–field noise and drag reduction with lift constrained.
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 ».