Notice bibliographique
Résumé
This repository is a hybrid C++ Python framework for flow visualization, containing: A simplified Python fluid visualization renderer and GUI based on imgui, possibly with several projects related to flow visualization. Version Notes(v0.0.1): Basic Features of PyFlowVis 2D Vector Field Visualization Vector Glyph: Visualizes the direction and magnitude of the vector field at sampled grid points using arrows or glyphs. Indicator (Seeding of Flowline): Allows interactive placement of seed points for flowline/pathline integration and visualization. Streamline/Pathline: Integrates and visualizes flowlines (streamlines at a fixed time) and pathlines (trajectories over time) from user-defined seeds. We support multiple integrators: Python based Ruler/Rk4/Rk5 integrator, with numba (njit) accerlated vector value query. CUDA based Ruler/Rk4 integrator Differentiable ODE solver(torchdiffeq) based integrator: "dopri5","dopri8","bosh3","fehlberg2","adaptive_heun". Coreline: coreline (of 2D unsteady field) extraction based on q-crterion/jacobian/velocity critical points. Scalar Field: Supports visualization of scalar fields (e.g., magnitude, vorticity) as color maps or overlays. FTLE: Computes 2D FTLE using a CUDA kernel. To use this feature, ensure you have a working PyCUDA environment. You can first run TestPyCUDA.py to verify your setup. 3D Vector Field Visualization Basic: 3 D vector glyphs, 3D pathlines,streamlines,coreline using vtkVortexCore lower Order(v||a). (wip): Other 3D features are under development. Planned features include iso-surface rendering, volume rendering of scalar field, observer-relative isosurface/pathline filtering, etc.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,008 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,233 | 0,190 |
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 ».