Deep learning predictions of unsteady aerodynamic loads on an airfoil model pitched over the entire operating range
Notice bibliographique
Résumé
For the design and certification of wind turbines, it is essential to provide fast and accurate unsteady aerodynamic load prediction models for the whole operational range of angle of attack, up to 180° for vertical-axis and 90° for horizontal-axis wind turbines. This work describes a computationally efficient unsteady forces prediction model based on a deep learning approach, namely the bidirectional long short-term memory (BiLSTM) algorithm, for an airfoil pitched over the full operational range of angles of attack up to 180°. No model has been developed to capture the unsteady forces at high angles of attack. Novel features based on operating conditions and the steady polars of the airfoil are used as inputs for the BiLSTM model. Direct measurements of steady and unsteady forces on a NACA 0021 airfoil model were conducted at reduced frequencies up to 0.075 and a Reynolds number of 120 000 in an open-jet wind tunnel for model learning and testing. The unsteady forces vary significantly from the steady values at high pitching amplitudes and post-stall angles, which, if not accounted for when simulating wind turbine performance, would result in inaccurate predictions. Furthermore, measurements revealed the effect of unsteady vorticity development and shedding on aerodynamic forces under forward and reverse flow conditions. The BiLSTM model is capable of capturing the underlying physics of unsteady aerodynamic forces under extreme operating conditions.
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 ».