.png){kind=icon}
返回
Explainable sequential unsupervised data driven clustering for feature identification in external flows
.png){kind=icon}
OA
AI
DOI：10.1063/5.0257436.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种新颖的无监督聚类算法，专门针对计算流体动力学中外部流体流动的特征识别进行设计。通过采用顺序聚类技术，所提出的方法能够从可压缩和不可压缩流动中提取关键流动特征，如激波、边界层和尾迹、涡旋以及层流分离泡。与传统的处理方法不同，该算法依赖于原始流动变量及其固有的物理属性，消除了预处理需求并增强了泛化能力。利用高斯混合模型，并结合缩放和二值化操作，该方法通过原始变量及其梯度的变换，将流动域划分为不同的感兴趣区域。无参数设计确保了其在包括二维和三维配置在内的各种流动场景中的易实现性和鲁棒性。通过将其应用于各种案例，展示了算法的通用性和准确性，表明其作为强大且易用的工具，有助于深入理解复杂流体现象的潜力。
期刊
IF:
4.3
论文数:
2.9W
被引数:
8.0W
机构
引用论文
Convolutional neural network based hierarchical autoencoder for nonlinear mode decomposition of fluid field data基于卷积神经网络的分层自动编码器，用于流场数据的非线性模式分解.png)
PHYSICS OF FLUIDS
OAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏pyBaram: Parallel compressible flow solver in high-performance Python for teaching and researchpyBaram：用于教学和研究的并行可压缩流求解器，基于高性能Python实现SoftwareXOAAI
SoftwareXIF0
OAAI分享收藏
查看更多内容