MétaCan
Menu
Retour à la cohorte
Enregistrement W1514179652 · doi:10.1163/016942411x574835

Ice Adhesion Models to Predict Shear Stress at Shedding

2012· article· en· W1514179652 sur OpenAlexaff
Guy Fortin, Jean Perron

Notice bibliographique

RevueJournal of Adhesion Science and Technology · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceSurface finishSurface roughnessComposite materialMechanicsDrop (telecommunication)Ice wedgeGeology

Résumé

récupéré en direct d'OpenAlex

The model presented in this paper is the first step towards explaining the mechanisms of ice adhesion. Considerable work, however, remains to validate each term included in the model due to the lack of physical constants and parameters related to rough surfaces. The ice adhesion model at the ice-substrate interface is based on water behavior before and after freezing, substrate roughness and ice type. Within nanoseconds following impact, water occupies the substrate surface either partially before freezing when drops or rivulets form, or totally when a film is formed. The ice surface area in contact with the substrate is reduced due to the space between drops and rivulets. Due to the electrostatic attraction between water and substrate molecules, ice sticks to the substrate. The electrostatic force depends on the intensity of this bond, which is related to the work needed to maintain the drop shape over the surface and the distance between the water and substrate molecules. The water can also sink in and fill the cavities formed by adjacent surface roughness peaks when the surface tension force is less than the water pressure force. Following the phase change, on the order of microseconds for rime ice, and milliseconds for glaze ice, the ice mechanically locks onto the surface and must be broken down to be shed. This paper shows the development of a phenomenological model to predict the cohesive failure of ice, one that does not take into consideration rime ice porosity. The model assumes that ice near its freezing point is subject to internal and external strains, and that its cohesive strength corresponds to the failure stress. The failure stress is dependent on grain size and creep involving grain boundary sliding in a polycrystalline material at elevated temperatures. The next steps in the development of the model are to quantify the physical parameters, validate an idealized rough surface, as well as evaluate the effects of rime ice porosity and small grain sizes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,258
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations87
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Adhesion Science and TechnologyMême sujetIcing and De-icing TechnologiesTravaux en français237 207