Uncertainty Quantification Applied to Aeroacoustics of Wall-Bounded
Notice bibliographique
Résumé
The uncertainty quantification (UQ) related to the self-noise prediction based on a Reynolds-Averaged Navier-Stokes (RANS) flow computation of a low-subsonic axial fan has been achieved.As the methodology used for fan noise prediction is based on airfoil theories, the uncertainty quantification of a low-speed Controlled-Diffusion (CD) airfoil has been first considered.For both applications, deterministic incompressible flow solvers are coupled with a non-intrusive stochastic collocation method, found to be two orders-of-magnitude more efficient than a classical Monte Carlo simulation for the same accuracy.In the case of airfoil UQ, the effective flow angle is used as a random variable.Two wall-pressure reconstruction models are used to obtain necessary inputs of Amiet's trailing-edge noise model: Rozenberg's model has larger uncertainties at high frequencies because of the uncertainty on the wall-shear stress parameter required in the method, and Panton & Linebarger's model is less accurate at low frequencies because of the slow statistical convergence of the integration involved in the model.Similar behaviours are observed in the fan UQ involving the volume flow-rate and the rotational speed as random variables.The stochastic mean sound spectra are found to Uncertainty Quantification in Computational Science be dominated by the tip strip and compare well with experimental data.Larger uncertainties are seen in the hub and tip regions, where large flow detachment and recirculation appear.The known uncertainties on flow rate yield larger uncertainties on sound than those on rotational speed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».