FENSAP-ICE: Numerical Prediction of Ice Roughness Evolution, and its Effects on Ice Shapes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Numerically predicted roughness distributions obtained in in-flight icing simulations with a beading model are used in a quasi-steady manner to compute ice shapes. This approach, called "Multishot," uses a number of steady flow and droplet solutions for computing short intervals (shots) of the total ice accretion time. The iced geometry, the grid, and the surface roughness distribution are updated after each shot, producing a better match with the unsteady ice accretion phenomena. Comparisons to multishot results with uniform roughness show that the evolution of the surface roughness distribution has a strong influence on the final ice shape. The ice horns that form are longer and thinner compared to constant roughness results. The constant roughness approach usually fails to capture the formation of the pressure side horns and under-predicts the thickness of the ice in this region. With the variable roughness produced by the beading model, the ice shape in general is captured more accurately, better matching the experimental ice shapes. Results are provided for NACA 0012 and SC 1095 airfoils for 2D icing. The flow conditions range between Mach numbers of 0.3 to 0.6, free stream static temperatures of -27°C to -6°C, free stream liquid water contents of 0.5 g/m₃ to 1.4 g/m₃, Reynolds numbers of 2.6 to 4.4 million, and droplet diameter of 20 microns. Total ice accretion times range between 45 seconds to 7 minutes. The FENSAP-ICE icing simulation system is utilized to carry out the CFD-Icing calculations in 2D and 3D.</div></div>
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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