MétaCan
Menu
Retour à la cohorte
Enregistrement W2280150235 · doi:10.1155/2016/8518904

Low-Cost Rotating Experimentation in Compressor Aerodynamics Using Rapid Prototyping

2016· article· en· W2280150235 sur OpenAlexafffund
Mathias Michaud, Petro Junior Milan, Huu Duc Vo

Notice bibliographique

RevueInternational Journal of Rotating Machinery · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueTurbomachinery Performance and Optimization
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversité de MontréalCanada Foundation for InnovationMinistère de l'Économie, de l’Innovation et des Exportations du QuébecCompute Canada
Mots-clésTurbomachineryComputational fluid dynamicsStereolithographyGas compressorAerodynamicsComputer scienceAxial compressorRapid prototypingMechanical engineeringTip clearanceDesign for manufacturabilityFlow (mathematics)Aerospace engineeringSimulationMechanicsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

With the rapid evolution of additive manufacturing, 3D printed parts are no longer limited to display purposes but can also be used in structural applications. The objective of this paper is to show that 3D prototyping can be used to produce low-cost rotating turbomachinery rigs capable of carrying out detailed flow measurements that can be used, among other things, for computational fluid dynamics (CFD) code validation. A fully instrumented polymer two-stage axial-mixed flow compressor test rig was designed and fabricated with stereolithography (SLA) technology by a team of undergraduate students as part of a senior-year design course. Experiments were subsequently performed on this rig to obtain both the overall pressure rise characteristics of the compressor and the stagnation pressure distributions downstream of the blade rows for comparison with CFD simulations. In doing so, this work provides a first-of-a-kind assessment of the use of polymer additive technology for low-cost rotating turbomachinery experimentation with detailed measurements.

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
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 savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,013
Tête enseignante GPT0,273
Écart entre enseignants0,260 · 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'étudeExpérimental (laboratoire)
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
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Rotating MachineryMême sujetTurbomachinery Performance and OptimizationTravaux en français237 207