MétaCan
Menu
Retour à la cohorte
Enregistrement W3039845163 · doi:10.1080/19942060.2020.1784798

Numerical simulation of the aerodynamic characteristics of double unit train

2020· article· en· W3039845163 sur OpenAlexaff
Zijian Guo, Tanghong Liu, Hassan Hemida, Zhengwei Chen, Hongkang Liu

Notice bibliographique

RevueEngineering Applications of Computational Fluid Mechanics · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAerodynamics and Fluid Dynamics Research
Établissements canadiensMinistry of Education and Child Care
Organismes subventionnairesnon disponible
Mots-clésTrainAerodynamicsDragDetached eddy simulationVortexLift (data mining)Unit (ring theory)Lift-to-drag ratioAerodynamic forceLarge eddy simulationStructural engineeringEngineeringMechanicsSimulationAerospace engineeringPhysicsComputer scienceComputational fluid dynamicsTurbulenceMathematicsReynolds-averaged Navier–Stokes equations

Résumé

récupéré en direct d'OpenAlex

Double unit trains running at high speeds may create additional aerodynamic challenges due to two streamlined structures with close proximity, exploring the aerodynamic performance of double unit trains is now critical. In this study, detached eddy simulation (DES) approach was employed to study the aerodynamic performance and the nearby flow patterns of a double unit train, whose results were compared and analyzed with that of a single-unit train with a same length. The results showed that the coupling method could change the aerodynamic drag on each car and tended to increase the overall drag of the double unit train. The lift force of the front car near the coupler was significantly increased. Similar slipstream distributions were found around the front half single and double-unit train except in a region close to the coupler. Due to the coupling structure, the slipstream of the rear half of double unit train was much stronger compared to single unit train. The vortex region behind the double-unit train was much wider than that of the single-unit train and was accompanied by greater vortex-shedding.

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: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,013
Tête enseignante GPT0,238
Écart entre enseignants0,225 · 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

Citations24
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEngineering Applications of Computational Fluid MechanicsMême sujetAerodynamics and Fluid Dynamics ResearchTravaux en français237 207