Ship-Wave Impact Generated Sea Spray: Part 1 — Formulating Liquid Water Content and Spray Cloud Duration
Notice bibliographique
Résumé
Abstract When a wave impacts a ship, a cloud of water spray may form. This spray water, in cold climates, significantly contributes to the deposition of icing on the ship. Estimation of the spray flux is a first step towards predicting the marine icing. The amount of spray water, termed as liquid water content (LWC), the time of ship exposure to the spray cloud in a spray event known as spray duration, and the frequency at which the spray is generated are all important parameters required to define the spray flux. Most of the spray flux formulas found in the literature are based on field observations of small fishing vessels. Moreover, they consider meteorological and oceanographic parameters only and ignore the characteristic behaviors of the vessel. These formulas are therefore not applicable to any size and type of vessel. This paper develops methods to quantify the spray properties in terms that can be applied to vessels of any size. Formulas to estimate two crucial spray properties, LWC and spray duration, are derived based on the energy conservation principles and by non-dimensional analysis. The formulas take into account the ship’s principal particulars, its operating conditions, and the environmental parameters. The formulas are validated against full-scale field measurement from a Russian fishing trawler, MFV Narva, and a medium-size US coast guard vessel, USCGC Midgett. Reasonable agreements are found in both cases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».