A Penalization Method for 2D Ice Accretion Simulations
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Numerical tools for 3D in-flight icing simulations are not straightforward to automate when seeking robustness and quality of the results. Difficulties arise from the geometry and mesh updates which need to be treated with care to avoid folding of the geometry, negative volumes or poor mesh quality. This paper aims at solving the mesh update issue by avoiding the re-meshing of the iced geometry. An immersed boundary method (here, penalization) is applied to a 2D ice accretion suite for multi-step icing simulations. The suggested approach starts from a standard body-fitted mesh, thus keeping the same solution for the first icing layer. Then, instead of updating the mesh, a penalization method is applied including: the detection of the immersed boundary, the penalization of the volume solvers to impose the boundary condition and the extraction of the surface data from the field solution. Although the current work is intended for 3D simulations, the content of this paper is limited to 2D applications to show the feasibility of the method. Tests are performed on multi-step rime and glaze ice cases where it is observed that the penalization method is able to produce sensible ice shapes compared to a body-fitted approach. However, accurate results are only achieved if the mesh is <i>a priori</i> refined in the zone where ice accretion is expected. The paper will further discuss the computational time, mesh refinement requirements, accuracy, limitations and recommendations for improvement of the penalization method applied to icing.</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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».