MétaCan
Menu
Retour à la cohorte
Enregistrement W3011221921 · doi:10.82308/33556

Optimization via CFD of aircraft hot-air anti-icing systems

2010· article· en· W3011221921 sur OpenAlexfundno aff
Mathieu Pellissier

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésIcingComputational fluid dynamicsEnvironmental scienceAerospace engineeringAeronauticsMeteorologyEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Le givrage en vol constitue encore et toujours un souci majeur de sûreté en aviation et demeure une source non négligeable d'incidents et d'accidents. Ainsi, le givrage en vol reste un défi de taille en termes de conception et de certification pour les constructeurs aéronautiques. Les performances aérodynamiques d'un avion peuvent en effet se dégrader rapidement quand il vole en conditions givrantes, et ainsi engendrer des incidents ou même des accidents. Le givrage en vol a lieu quand un avion traverse des nuages contenant des gouttelettes d'eau surfondues à des températures inférieures ou égales au point de congélation. Les gouttelettes impactent sur les zones exposées et gèlent, ce qui augmente la rugosité, provoquant une augmentation de la traînée, une diminution de la portance et de l'angle de décrochage, et induisant éventuellement la séparation de l'écoulement et le décrochage. L'accrétion de glace est empêchée par l'utilisation de systèmes dédiés d'antigivrage, parmi lesquels les systèmes à air chaud sont les plus utilisés par les avions de ligne. Cet ouvrage présente une méthodologie en vue de l'optimisation de tels systèmes d'antigivrage à air chaud appelés tubes Piccolo. Ayant identifié les conditions de givrage en vol les plus sévères à l'aide de la CFD (Computational Fluid Dynamics, ou simulation numérique en dynamique des fluides) tridimensionnelle ainsi que les contraintes de puissance thermique liées au système de dégivrage, l'objectif est d'optimiser la distribution de chaleur de façon à minimiser la puissance thermique requise, tout en satisfaisant aux réglementations de sûreté en vol. Dans ce but, une méthode d'optimisation combinant la CFD 3D, la Modélisation d'Ordre Réduit (MOR) et les Algorithmes Génétiques (AG), est développée afin de déterminer la configuration optimale du tube Piccolo (en termes d'angles de jets, de distance entre les jets et de distance au bord d'attaque). Cette m

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,008
Tête enseignante GPT0,194
Écart entre enseignants0,185 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetIcing and De-icing TechnologiesTravaux en français237 207