MétaCan
Menu
Retour à la cohorte
Enregistrement W2319174719 · doi:10.2514/6.2014-3750

Regression Rate Estimation for Swirling-Flow Hybrid Rocket Engines

2014· article· en· W2319174719 sur OpenAlexaff
Potchara Wongyai, David R. Greatrix

Notice bibliographique

Revue50th AIAA/ASME/SAE/ASEE Joint Propulsion Conference · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueRocket and propulsion systems research
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésPropellantMechanicsMass flow rateConvectionRocket (weapon)Flow (mathematics)Heat transferMaterials scienceVolumetric flow rateAerospace engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

In the present study, an analytical model based on convective heat feedback is developed for the estimation of the solid fuel surface regression rate of hybrid rocket engines with head-end swirling-flow oxidizer injection. The convective heat transfer between the axial core flow and the burning fuel surface, coupled with the convective heat feedback between the effective tangential flow and the burning fuel surface, is the means by which the fuel regression rate is presumed to be increased by swirl, above that due to the axial mass flux. The representation of the effective boundary layers used in this study includes the influence of transpiration, effective hydraulic diameters (for flows in the axial and tangential direction), and fuel surface roughness. From the literature, a variety of propellant combinations, engine sizes, and flow swirl numbers are evaluated for engines having circular-port fuel grains, with sample model results provided. The predicted fuel regression rates for the most part compare q...

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)0,002
score de la tête « metaresearch » (Gemma)0,001
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: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,905
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,040
Tête enseignante GPT0,276
Écart entre enseignants0,236 · 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'étudeAutre devis
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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue50th AIAA/ASME/SAE/ASEE Joint Propulsion ConferenceMême sujetRocket and propulsion systems researchTravaux en français237 207