A New Empirical Model Derivation for the Estimation of Turbulent Boundary Layer Power Spectral Density Aircraft Using Machine Learning Regression
Notice bibliographique
Résumé
ENGLISHThis paper explores the possibility of using a novel machine learning technique, a nonlinear least squares (NLS) regression algorithm, to produce an original turbulent boundary layer (TBL) wall pressure fluctuations model. An iterative technique was developed in the statistical programming language R that fit the coefficients and exponents of numerous candidate models via NLS techniques. This allowed for 186 unique model forms to be generated. The optimum model was accurate near the conditions of the training data (which had an average airspeed of 10.54 m/s and an average Reynolds number of 849,803), at lower airspeeds, and at both lower and higher Reynolds numbers. Due to limited outside data, conclusions regarding the model performance at higher airspeeds were more limited. Overall, it is concluded that machine learning techniques show strong promise in the search for an accurate, universally applicable TBL noise model.FRANÇAISCet article explore la possibilité d'utiliser une nouvelle technique d'apprentissage automatique, un algorithme de régression des moindres carrés non linéaires pour produire un modèle original de fluctuations de pression de la paroi de la couche limite turbulente (CLT). Une technique itérative a été développée dans le langage de programmation statistique R qui ajuste les coefficients et les exposants de nombreux modèles candidats via des techniques des moindres carrés. Cela a permis de générer 186 formulaires modèles uniques. Le modèle optimal était précis près des conditions des données d'entraînement (qui avaient une vitesse moyenne de 10,54 m / s et un nombre de Reynolds moyen de 849 803), à des vitesses plus faibles et à des nombres de Reynolds inférieurs et supérieurs. En raison de données extérieures limitées, les conclusions concernant les performances du modèle à des vitesses plus élevées étaient plus limitées. Dans l'ensemble, il est conclu que les techniques d'apprentissage automatique sont très prometteuses dans la recherche d'un modèle de bruit CLT précis et universellement applicable.
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 ».