MétaCan
Menu
Retour à la cohorte
Enregistrement W2082809758 · doi:10.1115/imece2010-38456

Water Tunnel Rotor Testing With Post Processing Based on PIV Measurements

2010· article· en· W2082809758 sur OpenAlexaff
Catalina Lartiga, Curran Crawford

Notice bibliographique

RevueVolume 5: Energy Systems Analysis, Thermodynamics and Sustainability; NanoEngineering for Energy; Engineering to Address Climate Change, Parts A and B · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueWind Energy Research and Development
Établissements canadiensUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésThrustWind tunnelRotor (electric)Wind powerMarine engineeringExperimental dataTorquePower (physics)Water tunnelComputational fluid dynamicsMechanicsComputer scienceVortexAerospace engineeringControl theory (sociology)EngineeringMechanical engineeringPhysicsElectrical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

Experimental investigation is required to obtain the non-dimensional coefficients that characterize the performance of new wind turbines and marine energy extracting devices, such as tidal turbines. However, data acquired from scaled models tested in tunnel facilities suffers from wall blockage and therefore, corrections must be applied to properly predict the performance of the full-sized rotor. Analytical expressions based on the axial momentum theory and correlating thrust coefficient to an equivalent free stream velocity have traditionally been used to correct power coefficients obtained experimentally. For small models, accurate force measurement is very difficult requiring a new post processing methodology when thrust data is not available. A methodology is presented in this paper that uses the velocity field data at the rotor plane, obtained from PIV measurements and CFD simulations, to account for blockage without the requirement for thrust data. A correction curve correlating axial induction factor and power coefficient is obtained and will be utilized for correction in future experiment testing.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,254
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,014
Tête enseignante GPT0,211
Écart entre enseignants0,196 · 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 tête enseignante, pas un consensus.

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
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVolume 5: Energy Systems Analysis, Thermodynamics and Sustainability; NanoEngineering for Energy; Engineering to Address Climate Change, Parts A and BMême sujetWind Energy Research and DevelopmentTravaux en français237 207