In-flight icing of UAVs – the influence of flight speed coupled with chord size
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
The intensive deployment of unmanned aerial vehicles (UAVs) for surveillance and reconnaissance missions during the last couple of decades has revealed their vulnerability to icing conditions. At present, a common icing avoidance strategy is simply not to fly when icing is forecast. Consequently, UAV missions in cold seasons and cold regions can be delayed for days when icing conditions persist. While this approach limits substantially the failure of UAV missions as a result of icing, there is obviously a need to develop all-weather capabilities. A key step in accomplishing this objective is to understand better the influence of a smaller geometry and a lower speed on the ice accretion process, relative to the extensively researched area of in-flight icing for traditional aircraft configurations characterized by high Reynolds number. Our analysis of the influence of Reynolds number on the ice accretion process is performed for the NACA0012 airfoil. Analytical analysis of the integrated mass and energy balance equations along the airfoil surface allows the identification of regimes of rime and glaze formation, as well as the ice accretion extent as a function of static air temperature and liquid water content. For each Reynolds number, a Computational Fluid Dynamics solver computes the airflow field and the distributions of Stanton number and static air pressure along the airfoil surface. Next, a drop trajectory solver computes the distribution of collection efficiency along the airfoil for a given drop size. Finally, a morphogenetic model is used to predict the ice accretion shape and its extent over the entire Reynolds number range under consideration. Our analysis highlights the differences between ice accretions on components of traditional aircraft and UAVs, arising from their differences in cruising speed and airfoil dimensions.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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