Modélisation des écoulements de gaz raréfiés au travers de filtres fibreux par la méthode de Boltzmann sur réseau
Bibliographic record
Abstract
Je veux commencer par remercier mon directeur de recherche, François Bertrand, pour la confiance qu'il m'a octroyée pendant le déroulement de cette thèse.J'ai été chanceux de trouver un professeur qui reconnaît autant la valeur de la recherche fondamentale en ingénierie.Il s'est parfois passé des mois complets où dans nos réunions, je ne pouvais expliquer que des tentatives infructueuses de résolution de problème.Mais grâce à la liberté qu'il m'a donnée, j'ai éliminé les obstacles pièce par pièce, et j'ai pu produire une thèse vraiment originale.Malgré les commentaires initialement négatifs des réviseurs, j'ai pu bénéficier de sa confiance inébranlable.Je veux aussi remercier mon codirecteur David Vidal pour sa patience au cours de ces longues années.J'ai pu profiter de ses conseils sur le débogage de la MBR, que j'ai pu suivre lors du développement de la MBR proposée dans cette thèse.Ses efforts pour m'enseigner comment mieux communiquer à l'oral et à l'écrit ont porté fruit.Avec son support au quotidien, j'ai été capable de me concentrer sur les tâches importantes de ma thèse.Je pouvais toujours compter sur sa disponibilité tôt le matin et tard le soir.Par ma faute j'en ai presque seulement profité le soir.Mais grâce à ses encouragements, maintenant je me lève presque tôt.Je veux également remercier mon codirecteur Sébastien Leclaire pour son empathie et son écoute.Il a vraiment eu le tour de me valoriser pendant ses réunions seul à seul.Sa curiosité et sa bonne humeur sont très contagieuses.J'ai aussi eu la chance de bénéficier de ses compétences en programmation GPU avec la librairie ArrayFire, et il m'a enfin convaincu d'utiliser le logiciel de gestion de versions Git.Je regrette seulement de ne pas avoir collaboré plus tôt avec lui.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".