MétaCan
Menu
Retour à la cohorte
Enregistrement W2029239161 · doi:10.1260/0309-524x.35.3.329

On Blade Arrangement for Multi-Blade Rotors

2011· article· en· W2029239161 sur OpenAlexaff
K.L. Hitz, David Wood

Notice bibliographique

RevueWind Engineering · 2011
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueScientific Research and Discoveries
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésRotor (electric)Blade (archaeology)Blade element momentum theoryEccentricity (behavior)Structural engineeringWindmillSelection (genetic algorithm)Turbine bladeMathematicsEngineeringMechanical engineeringComputer scienceTurbineWind powerArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper concerns the blades of multi-bladed water-pumping windmills when they have variable mass and centre of mass. The paper explores blade arrangement strategies that will minimize the eccentricity of the rotor centre of mass and hence any rotor-induced vibration. The number of blades in the rotor is assumed to equal the number made in each production batch, in contrast to the case where a batch of up to 22 blades was optimally matched to produce two- and three-bladed rotors, Hitz & Wood [1]. Using the measured mass and centre of mass of 24 blades for the rotor of a 26 ft Kijito windmill described by Harries [3], three strategies are considered. Random matching of the blades is shown to become increasingly effective as blade number increases. Pairing the blades by ordering in the product of mass and centre of mass, d, followed by random selection of pairs also produces rotors with low eccentricities. The numerical experiments show that the best strategy involving random selection is to pair by ordering, swapping the blades of every second pair, and then randomly arrange the resulting pairs. Finally, a heuristic based on blade pairing is shown to give eccentricities which are high compared to the minimum value determined exactly for 12 blades or less, but apparently low enough to be useful.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,059
Tête enseignante GPT0,269
Écart entre enseignants0,209 · 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

Citations2
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWind EngineeringMême sujetScientific Research and DiscoveriesTravaux en français237 207