Notice bibliographique
Résumé
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».