An efficient radial basis function mesh deformation scheme within an adjoint-based aerodynamic optimization framework
Bibliographic record
Abstract
Les méthodes de déformation de maillage jouent un rôle important dans le domaine d'optimisation numérique aérodynamique. Lorsqu'une géométrie aérodynamique change de forme pendant l'optimisation, le maillage doit s'adapter pour assurer qu'il se conforme bien à la nouvelle géométrie. Cette thèse présente l'extension d'une méthode de déformation de maillage à base de fonctions basiques radiales(RBF). La rapidité de l'algorithme RBF peut être améliorée en utilisant un sous-ensemble de points à la surface de la géométrie pour gouverner la déformation du maillage. Par contre, cela introduit des erreurs dans la paramétrisation de la géométrie puisque les déplacements de tous les point de surface ne seront pas correctement récupérés. Ainsi, cette thèse propose l'utilisation d'une deuxième méthode de déformation de maillage afin d'ajuster le déplacement des points de surface pour bien récupérer la nouvelle géométrie modifiée. La méthode adjointe est employée dans le cadre d'analyse 3D d'écoulement de fluide Euler. La méthode proposée de déformation de maillage est validée en l'appliquant à l'optimisation de la trainée d'un Boeing-747 et d'une aile Onera-M6. Aussi, un cas de design qui récupère une distribution spécifique de pression statique est exécuté pour l'aile Onera-M6.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".