MétaCan
Menu
Retour à la cohorte
Enregistrement W2306296840 · doi:10.1017/aer.2016.6

Drag optimisation of a wing equipped with a morphing upper surface

2016· article· en· W2306296840 sur OpenAlexaff
Andreea Koreanschi, Oliviu Şugar Gabor, Ruxandra Mihaela Botez

Notice bibliographique

RevueThe Aeronautical Journal · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAeroelasticity and Vibration Control
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesnon disponible
Mots-clésAirfoilDrag coefficientMorphingAerodynamicsWingDragLift-to-drag ratioSwept wingSolverZero-lift drag coefficientAerospace engineeringLift coefficientAngle of attackStructural engineeringReynolds numberMechanicsLift-induced dragComputer scienceMathematicsTurbulencePhysicsEngineeringMathematical optimizationArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

ABSTRACT The drag coefficient and the laminar-to-turbulent transition for the aerofoil component of a wing model are optimised using an adaptive upper surface with two actuation points. The effects of the new shaped aerofoils on the global drag coefficient of the wing model are also studied. The aerofoil was optimised with an ‘in-house’ genetic algorithm program coupled with a cubic spline aerofoil shape reconstruction and XFoil 6.96 open-source aerodynamic solver. The wing model analysis was performed with the open-source solver XFLR5 and the 3D Panel Method was used for the aerodynamic calculation. The results of the aerofoil optimisation indicate improvements of both the drag coefficient and transition delay of 2% to 4%. These improvements in the aerofoil characteristics affect the global drag of the wing model, reducing it by up to 2%. The analyses were conducted for a single Reynolds number and speed over a range of angles of attack. The same cases will also be used in the experimental testing of the manufactured morphing wing model.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,010
Tête enseignante GPT0,202
Écart entre enseignants0,192 · 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

Citations42
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Aeronautical JournalMême sujetAeroelasticity and Vibration ControlTravaux en français237 207