Exploration de la méthode adjointe pour le contrôle de l'erreur en mécanique des fluides numérique
Bibliographic record
Abstract
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.
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 | 0.003 | 0.005 |
| 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 | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| 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".