MARC

 008250123s2024        us                              c    eng  d
■001000017163732
■00520250211152746
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342113557
■035    ▼a(MiAaPQ)AAI31520295
■035    ▼a(MiAaPQ)Stanfordnd246sx8551
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aLittle,  Clayton.
■24510▼aDimensional  Reduction  of  Adaptively  Refined  Nonlinear  Computational  Models
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a134  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  A.
■500    ▼aAdvisor:  Farhat,  Charbel.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aAdaptive  mesh  refinement  (AMR)  is  fairly  practiced  in  the  context  of  high-dimensional,  mesh-based  computational  models.  However,  it  is  preliminary  in  the  context  of  low-dimensional,  generalized-coordinate-based  computational  models  such  as  projection-based  reduced-order  models  (PROMs).  This  dissertation  presents  a  complete  framework  for  projection-based  model  order  reduction  (PMOR)  of  nonlinear  problems  in  the  presence  of  AMR  that  builds  on  elements  from  existing  methods  and  augments  them  with  critical  new  contributions.  In  particular,  it  proposes  two  algorithms  for  computing  an  inner  product  between  spatially-adapted  solution  snapshots  for  the  purpose  of  clustering  and  PMOR.  The  first  algorithm  is  a  semi-analytical  pseudo-meshless  inner  product  which  builds  on  existing  methods,  and  the  second  algorithm  is  a  novel  approximate  method  which  maximizes  computational  efficiency.  The  proposed  framework  exploits  hyperreduction---specifically,  the  energy-conserving  sampling  and  weighting  hyperreduction  (ECSW)  method---to  deliver  for  nonlinear  and/or  parametric  problems  the  desired  computational  gains.  Most  importantly,  it  exploits  piecewise-affine  approximation  of  the  solution  manifold  to  make  the  most  of  the  notion  of  a  supermesh,  while  achieving  computational  tractability.  The  performance  of  the  proposed  framework  for  PMOR  in  the  presence  of  AMR  is  assessed  for  computational  fluid  dynamics  (CFD)  applications  utilizing  AMR.  Its  significance  is  demonstrated  by  the  reported  accuracies  and  gains  in  computational  efficiency.
■590    ▼aSchool  code:  0212.
■650  4▼aVortices
■650  4▼aFluid-structure  interaction
■650  4▼aMathematical  models
■650  4▼aFluid  dynamics
■650  4▼aSymmetry
■650  4▼aDecomposition
■650  4▼aMechanics
■650  4▼aDynamical  systems
■650  4▼aDesign  optimization
■650  4▼aPhysics
■650  4▼aPartial  differential  equations
■650  4▼aViscosity
■650  4▼aTurbulence  models
■650  4▼aDigital  twins
■650  4▼aNeural  networks
■650  4▼aReynolds  number
■650  4▼aComputer  engineering
■650  4▼aDesign
■650  4▼aFluid  mechanics
■690    ▼a0346
■690    ▼a0605
■690    ▼a0800
■690    ▼a0464
■690    ▼a0389
■690    ▼a0204
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163732▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서