S'abonner

A stochastic surrogate model approach applied to calibration of unstable fluid flow experiments - 07/04/12

Doi : 10.1016/j.crma.2012.01.018 
Gaël Poëtte a , Didier Lucor b , Hervé Jourdren a
a CEA, DAM, DIF, 91297 Arpajon, France 
b Institut Jean-Le-Rond-dʼAlembert, université Pierre-et-Marie-Curie, 4, place Jussieu, 75252 Paris cedex 05, France 

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

pages 6
Iconographies 0
Vidéos 0
Autres 0

Abstract

We propose a stochastic approach for calibration of mixing zone lengths in shock tube experiments. The methodology relies on taking into account uncertain initial data propagated through the basic multifluid Euler equations. In this work, the initial interface position is supposed uncertain, modeled by a stochastic process. The size of the mixing zone is then defined as the support of the probability density function of the stochastic process. This time dependent probability density function is estimated with non-intrusive generalized Polynomial Chaos, its support being in this case cheaply evaluated. This methodology relies on the application of an ergodic principle (Wiener, 1938) and generalizes linear perturbations analysis. It is applied in this Note to the calibration of several experimental results.

Le texte complet de cet article est disponible en PDF.

Résumé

Nous proposons une approche stochastique pour la calibration de tailles de zone de mélange dʼexpériences de tube à choc. La méthodologie repose sur la prise en compte de données initiales incertaines pour les équations dʼEuler. Dans ce travail, la position initiale de lʼinterface est considérée comme incertaine, modélisée par un processus stochastique. La taille de la zone de mélange est alors définie comme le support de la densité de probabilité du processus. Cette densité de probabilité, fonction du temps, est estimée par Chaos Polynomial généralisé non-intrusif, son support pouvant dans ce cas être évalué à moindre coût. Cette méthodologie repose sur un principe dʼergodicité (Wiener, 1938) et généralise lʼapproche par perturbations linéaires. Elle est appliquée dans ce papier à la calibration de résultats expérimentaux.

Le texte complet de cet article est disponible en PDF.

Plan

Plan indisponible

© 2012  Académie des sciences. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 350 - N° 5-6

P. 319-324 - mars 2012 Retour au numéro
Article précédent Article précédent
  • Multiple-gradient descent algorithm (MGDA) for multiobjective optimization
  • Jean-Antoine Désidéri
| Article suivant Article suivant
  • A quasi-optimal a priori error estimate for the two-dimensional Signorini problem approximated by linear finite elements
  • Yves Renard

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.