Development of Machine Learning based wall shear stress models for LES in the presence of adverse pressure gradients and separation
Notice bibliographique
Résumé
The Mixture Density Network (MDN), initially developed to predict uncertainty, is used as a wall shear stress model in wall-modeled Large Eddy Simulations (wmLES) of turbulent separated flows. Separation is a common phenomenon in turbomachinery (e.g., compressor and turbine blades), due to strong adverse pressure gradients and curvature effects. However, most standard wall shear stress (WSS) models are no longer applicable in non-equilibrium conditions because of their inherent modeling assumptions about the boundary layer (i.e., fully turbulent, at equilibrium, and attached). In this study, the MDN is trained on turbulent channel flows at various friction Reynolds numbers and on the two-dimensional periodic hill at the bulk Reynolds number of 10,595. The latter test case is designed to allow separation from the hill crest, followed by a massive recirculation bubble and reattachment of the free shear layer on the flat bottom surface. The model takes the velocity field, instantaneous and mean pressure gradients, and wall curvature as inputs. The model outputs the probability distribution of the two wall-parallel components of the wall shear stress. The databases are carefully non-dimensionalized using the kinematic viscosity and wall-model height for better generalizability. The model was successfully evaluated a priori on synthetic data generated from the law-of-the-wall. The relevance of the MDN-model was evaluated a posteriori by performing wmLES using the in-house flow solver Argo-DG on two channel flows and a separated flow.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».