Réduction de modèle pour la variabilité géométrique non paramétrique avec application aux simulations aéronautiques
Bibliographic record
Abstract
La réduction de modèles constitue un outil pour diminuer les coûts de calcul des simulations numériques haute fidélité utilisées dans les processus de la conception et l’optimisation en aéronautique. Cependant, ces méthodes rencontrent des difficultés lorsqu’elles sont confrontées à des variations géométriques non paramétrées, et à la lente décroissance de l’épaisseur de Kolmogorov. Cette thèse développe des stratégies de réduction de modèle adaptées aux problèmes présentant des variabilités géométriques, et en combinant des techniques de morphing avec des approches de régression non intrusives. La première contribution repose sur une stratégie de morphing basée sur l'élasticité linéaire, introduisant la notion de distance vectorielle. Une base réduite de morphings est construite pendant la phase d'apprentissage, et la régression par processus Gaussiens est utilisée pour prédire les coordonnées réduites en phase d’exploitation, ce qui réduit considérablement les coûts de calcul. La deuxième contribution consiste en un morphing optimal formulé comme la solution d'un problème d'optimisation globale visant à obtenir des déformations bijectives et régulières qui maximisent la compressibilité des champs. L'algorithme de résolution, basé sur une méthode de gradient avec une pénalisation hyperélastique visant à préserver la bijectivité des morphings, est couplé avec la régression par processus Gaussiens pour définir le cadre O-MMGP (Optimal Mesh Morphing Gaussian Process), permettant une prédiction efficace et de manière non intrusive de solutions pour de nouveaux paramètres et des nouvelles géométries.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".