MétaCan
Menu
Retour à la cohorte
Enregistrement W6976386453 · doi:10.60692/fjb9k-5rs44

Energy transfer mechanisms in adverse pressure gradient turbulent boundary layers: production and inter-component redistribution

2022· article· en· W6976386453 sur OpenAlexaff

Notice bibliographique

RevueGreater South Information System · 2022
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueLiterary, Cultural, Historical Analysis
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésTurbulencePressure gradientBoundary layerTurbulence kinetic energyRedistribution (election)Energy transferWavelengthIntensity (physics)Heat transfer

Résumé

récupéré en direct d'OpenAlex

Production and inter-component redistribution of turbulence in adverse pressure gradient (APG) turbulent boundary layers (TBLs) with small and large velocity defects are investigated, along with the structures playing a role in these energy transfer mechanisms. We examine the wall-normal and spectral distributions of energy, production and pressure-strain in APG TBLs, and compare these distributions with those in canonical flows. It is found that the spectral distributions of production and pressure-strain are not affected profoundly by an increase of the velocity defect, although the energy spectra change drastically in the inner layer of the large-defect APG TBL. In the latter, the signature of the inner-layer streaks is absent from the energy spectra. In the outer layer, energetic, production and pressure-strain structures appear to change from wall-attached to wall-detached structures with increasing velocity defect. Despite this, the two-dimensional spectral distributions have similar shapes and wavelength aspect ratios of the peaks in all these flows. Therefore, the conclusion is that the mechanisms responsible for turbulence production and inter-component energy transfer may remain the same within each layer in all these flows. It is the intensity of these mechanisms within one layer that changes with velocity defect, because of the local mean shear variation.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,169
Écart entre enseignants0,150 · 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
GenreEmpirique

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

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGreater South Information SystemMême sujetLiterary, Cultural, Historical AnalysisTravaux en français237 207