Exploration de la méthode adjointe pour le contrôle de l'erreur en mécanique des fluides numérique
Notice bibliographique
Résumé
Dans ce mémoire, une approche de calcul de sensibilité utilisée dans le domaine de l'optimisation, appelée la méthode adjointe, est explorée pour estimer et contrôler efficacement l'erreur en mécanique des fluides numérique (MFN). Les développements effectués ont été greffés à Fluent, un logiciel commercial. L'erreur est calculée en effectuant le produit scalaire du vecteur d'erreur de troncature liée à chaque équation de bilan et du vecteur des variables adjointes. Ces dernières sont intrinsèquement liées à une fonctionnelle sélectionnée par l'utilisateur (le rendement, la traînée, les pertes, etc.). En adaptant le maillage avec cette estimation d'erreur, l'adaptation devient très orientée vers le but spécifique de la simulation. Les résultats obtenus montrent que la méthode adjointe permet d'identifier les régions sensibles de la simulation. En adaptant la taille, l'étirement et l'orientation des cellules du maillage en conséquence, il est alors possible d'améliorer la précision numérique ou encore de limiter la taille de maillage requise pour une précision donnée. Quoique se limitant aux cas 2-D stationnaires, les résultats obtenus laissent entrevoir que les maillages adaptés représentent une amélioration substantielle comparativement aux maillages structurés utilisés actuellement. À terme, l'intégration des techniques d'adaptation dans les processus de simulation pourrait fortement influencer les façons de faire de l'Institut de Recherche d'Hydro-Québec (IREQ) ainsi que du Laboratoire de Machines Hydrauliques (LAMH) de l'Université Laval.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».