MétaCan
Menu
Retour à la cohorte
Enregistrement W1985797717 · doi:10.4188/jte.56.97

Numerical Simulation of Airflow Characteristics in Air Suction Gun

2010· article· en· W1985797717 sur OpenAlexaboutno aff
Yonggui Li, Yoshiyuki Iemoto, Shuichi Tanoue, Satoshi Takasu

Notice bibliographique

RevueJournal of Textile Engineering · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueAerodynamics and Fluid Dynamics Research
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Fukui
Mots-clésAirflowSuctionMechanicsEnvironmental scienceComputer simulationMeteorologyMarine engineeringEngineeringMechanical engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

We investigated numerically flow patterns in the air suction gun and dependence of the flow pattern on the supplied air pressure in order to clarify the working mechanism of an air suction gun. The compressed air issued from compressed-air inflow tubes into a yarn passage accelerates with sucked ambient air owing to negative pressure generated by the compressed air, and attains a critical speed near the throat of the de Laval tube and a supersonic speed in the divergent part of the de Laval tube. The supersonic flow generates a normal shock wave and changes into a subsonic flow. Then, the air is discharged into the atmosphere. Since this compressed air has a circumferential component, it forms a helical flow along the wall of the yarn propulsion tube composed of the de Laval tube and the straight tube. Velocity and density of the helical airflow near the wall are larger than those near the centerline. The suction efficiency is promoted greatly owing to this high focusing ability (bias of high speed and density flow toward the vicinity of the wall) and a large yarn length in the helical airflow. Increased supplied air pressure brings about increases in both air density and supersonic flow region, which promotes the yarn suction force.

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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,004
Tête enseignante GPT0,224
Écart entre enseignants0,220 · 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
GenreEmpirique

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

En bref

Citations8
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Textile EngineeringMême sujetAerodynamics and Fluid Dynamics ResearchTravaux en français237 207