MétaCan
Menu
Retour à la cohorte
Enregistrement W3119727869 · doi:10.1115/gt2020-14295

BEARCAT: The SAFRAN Brand New Test Engine Heavily Instrumented for Accurate Comparison With CFD Calculations

2020· article· en· W3119727869 sur OpenAlexaff
Jean-Louis Champion-Réaud, Guillaume Bidan, Jean-Luc Breining, Pierre-Alain Lambert, Carlos Mendes, Nicolas Zouloumian

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueCombustion and flame dynamics
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesnon disponible
Mots-clésCombustion chamberTurbineEngineeringInstrumentation (computer programming)Automotive engineeringGas turbinesComputational fluid dynamicsCombustionAero engineMechanical engineeringAerospace engineeringSystems engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract In this paper, we detail the development and goals of a brand new turboshaft engine called BEARCAT. “BEARCAT” is an acronyme for ‘’Banc d’Essai Avancé pour la Recherche en Combustion et Aérothermique des Turbomachines’’. BEARCAT is based on a MAKILA engine, a turboshaft developed by Safran Helicopter Engines (formerly Turboméca) and powering the H215 (2 Makila 1A1, 1820 SHP each) and the H225 (2 Makila 2A1, 2000 SHP each) of Airbus Helicopters. BEARCAT is developed by SAFRAN-Tech, the Research and Technology Center of the SAFRAN Group. This test engine is devoted to the fine characterization of aero-thermal phenomena occurring within the combustion chamber and the High Pressure Turbine as well as their interactions. Therefore, BEARCAT differs from a standard test engine by the implementation of metrologies inside the combustion chamber and the 2-stage High Pressure Turbine, in order to perform both steady and non-steady flow measurements which will be used to validate CFD codes and models. The engine instrumentation induces thorough modifications of several engine parts and also the development of original technical solutions to ensure metrologies integration in minimizing their impact on performances.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,924
Score d'incertitude au seuil0,300

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,023
Tête enseignante GPT0,232
Écart entre enseignants0,209 · 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 tête enseignante, 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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCombustion and flame dynamicsTravaux en français237 207