Multifidelity numerical modeling and Bayesian hierarchical prediction of the desalination discharges
Notice bibliographique
Résumé
Accurate prediction of desalination jet behavior in coastal environments is essential for optimizing discharge design and minimizing environmental impacts. This study presents a Multifidelity Gaussian Process (MFGP) framework for predicting the behavior of desalination discharges under different configurations. The framework integrates computationally efficient low-fidelity (LF) Reynolds averaged Navier–Stokes (RANS) simulations with high-fidelity (HF) Large Eddy Simulation (LES) data, using experimental true values (TV) measurements to correct residual bias and ensure consistency across fidelity levels. Two representative scenarios were investigated, an inclined dense desalination jet in shallow ambient conditions (RANS-LES validated with PIV) and a vertical thermal desalination jet (RANS-LES combined with LIF data). The formulation systematically links LF, HF, and TV datasets through hierarchical inference, enabling bias correction and uncertainty quantification. Results show that the MFGP accurately predicts desalination jet behavior including dilution and geometrical characteristics while reducing prediction error compared with single fidelity models. The framework achieves high accuracy using only a fraction of the computational and experimental effort. This study demonstrates that multifidelity modeling provides an efficient and reliable approach for the design, operational assessment, and optimization of desalination discharges.
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 ».