A Framework for Initial Transient Detection and Statistical Assessment of Convergence in CFD Simulations
计算流体动力学模拟中的初始暂态检测与收敛统计评估AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接处理时间序列的暂态、自相关与稳态诊断，应用对象为流体动力学模拟。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
计算流体动力学模拟中的初始暂态检测与收敛统计评估
- 研究问题
- 对于存在自相关的模拟时间序列，如何识别初始暂态结束的位置，并判断系统是否达到可进行稳态分析的状态？
- 方法与思路
- 作者结合反转均值标准误指标、分数阶滤波与自相关修正置信区间，自动检测暂态结束并评估模拟收敛。
- 材料陈述的贡献
- 摘要称，该方法在不同时间步长的模拟中得到验证，对所考察数值参数保持稳定，并减轻自相关造成的假阳性膨胀。
- 阅读关注点
- 应核对稳定性指标、滤波参数和检测规则，以及置信区间如何处理自相关与暂态位置由数据选择的问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未说明统计保证的条件，参数独立性也缺少适用范围。
原文摘要
Time series data often contain initial transient periods before reaching a stable state, posing challenges in analysis and interpretation. In this paper, we propose a novel approach to detect and estimate the end of the initial transient in time series data. Our method leverages the reversal mean standard error (RMSE) as a metric for assessing the stability of the data. Additionally, we employ fractional filtering techniques to enhance the detection accuracy by filtering out noise and capturing essential features of the underlying dynamics. Combining with autocorrelation-corrected confidence intervals we provide a robust framework to automate transient detection and convergence assessment. The method ensures statistical rigor by accounting for autocorrelation effects, validated through simulations with varying time steps. Results demonstrate independence from numerical parameters (e.g., time step size, under-relaxation factors), offering a reliable tool for steady-state analysis. The framework is lightweight, generalizable, and mitigates inflated false positives in autocorrelated datasets.