AI-driven prediction of central plug morphology in Poiseuille flow of Bingham fluids with superhydrophobic walls
Notice bibliographique
Résumé
This study presents a machine learning-based framework for predicting the flow behavior and central plug morphology of a viscoplastic Poiseuille flow in channels with two superhydrophobic (SH) walls. Here, the lower wall has constant hydrophobicity and groove characteristics, and the upper wall features varying groove periodicity length, slip area fraction, and slip number. Numerical simulations, conducted using OpenFOAM with the Papanastasiou regularization for modelling the viscoplastic fluid, generated a comprehensive database encompassing key flow parameters, including the Bingham number. Four predictive models i.e., Adaptive Neuro-Fuzzy Inference System (ANFIS), Extreme Learning Machine (ELM), Support Vector Machine (SVM), and Multiple Linear Regression (MLR), were used. To assess the accuracy of the models, statistical indices such as correlation coefficient (R), variance accounted for (VAF), root mean square error (RMSE), mean absolute error (MAE), and mean absolute relative error (MARE), were employed. ANFIS demonstrated the highest accuracy, while ELM provided competitive performance with significantly faster computation and simpler hyperparameter tuning. A sensitivity analysis conducted using ELM revealed that the accurate prediction of the normalized area of the center plug is primarily influenced by the groove periodicity length of the upper wall.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».