Measurement of Liquid Water Content for Supercooled Large Drop Conditions in the NRC’s Altitude Icing Wind Tunnel
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">As a result of new regulations pertaining to the airworthiness of aircraft exposed to in-flight icing conditions where maximum water drop size is greater than 100 microns (referred to as Supercooled Large Droplet (SLD) conditions), updates are required to the test facilities and simulations that will enable manufactures to certify their products under these new rules. While a number of facilities report achieving some of the conditions specified in the new regulations, questions remain as to the suitability of the instrumentation used to measure the Liquid Water Content (LWC) and drop size distributions of the SLD icing cloud. This study aims to provide baseline LWC data through ice accretion measurement techniques on a NACA 0012 airfoil and rotating cylinders of varying diameters. This forms part of a collaborative effort between the NRC, NASA Glenn and the Italian Aerospace Research Centre (CIRA), to examine the suitability of current instruments in accurately measuring LWC in clouds where SLD conditions are present.</div><div class="htmlview paragraph">Calculation of LWC’s from leading edge airfoil ice thickness measurements on the NACA 0012 airfoil were within ±10% of the tunnel LWC setting over the full range of MVD’s tested (20μm to over 300μm). When using rotating cylinders of varying size to measure LWC, it was found that smaller diameter cylinders underestimated LWC of icing clouds containing larger drop diameters compared to the tunnel setting whereas LWC measurement from larger cylinders provided values within 10% of the tunnel setting across the range of MVD’s tested.</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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».