MétaCan
Menu
Retour à la cohorte
Enregistrement W3120273781 · doi:10.1115/gt2020-16209

Thermal History Coatings: Part II — Measurement Capability up to 1500°C

2020· article· en· W3120273781 sur OpenAlexaboutno aff
Marta Ferran-Marqués, Silvia Araguás-Rodríguez, Christopher Pilgrim, Kang Lee, Joël Larose, J. P. Feist, J.R. Nicholls

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor Technologies Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPyrometerThermocoupleTemperature measurementEmissivitySilicon carbideOperating temperatureMaterials scienceMechanical engineeringTurbineThermal barrier coatingCombustion chamberTurbine bladeThermalNuclear engineeringCombustionAtmospheric temperature rangeAutomotive engineeringComputer scienceCoatingComposite materialElectrical engineeringEngineeringOpticsMeteorology

Résumé

récupéré en direct d'OpenAlex

Abstract To improve the efficiency of gas turbines, the turbine inlet temperature needs to be increased. The highest temperature in the gas turbine cycle takes place at the exit of the combustion chamber and it is limited by the maximum temperature turbine blades, vanes and discs can withstand. A combination of advanced cooling designs and Thermal Barrier Coatings (TBCs) are used to achieve material surface temperatures of up to 1200°C. However, further temperature increases and materials that can withstand the harsh temperatures are required for next-generation engines. Research is underway to develop next-generation CMCs with 1480 °C temperature capability, but accurate data regarding the thermal load on the components must be well understood to ensure the component life and performance. However, temperature data is very difficult to accurately and reliably measure because the turbine rotates at high speed, the temperature rises very quickly with engine startup and the blades operate under harsh environments. At the operating temperature range of CMCs, typically platinum thermocouples are used, however, this material is incompatible with silicon carbide CMCs. Other temperature techniques such as infrared cameras and pyrometry need optical access and the results are affected by changes in emissivity that can take place during operation. Offline techniques, in which the peak temperature information is stored and read-out later, overcome the need for optical access during operation. However, the presently available techniques, such as thermal paint and thermal crystals cannot measure above ∼1400°C. Therefore, a new measurement technique is required to acquire temperature data at extreme temperatures. To meet this challenge, Sensor Coating Systems (SCS) is focused on the development of Thermal History Coatings (THC) that measure temperature profiles in the 900–1600 °C range. THC are oxide ceramics deposited via air plasma spraying process. This innovative temperature profiling technique uses optically active ions in a ceramic host material that start to phosphoresce when excited by light. After being exposed to high temperatures the host material irreversibly changes at the atomic level affecting the phosphorescence properties which are then related to temperature through calibration. This two-part paper describes the THC technology and demonstrates its capabilities for high-temperature applications. In this second part, the THC is implemented on rig components for a demonstration on two separate case studies for the first time. In one test, the THC was implemented on a burner rig assembly on metallic alloys instrumented with thermocouples, provided by Pratt & Whitney Canada. In another test, the THC was applied to environmental barrier coatings developed by NASA, as part of a ceramic-matrix-composite system and heat-treated up to 1500°C. The results indicate the THC could provide a unique capability for measuring high temperatures on current metallic alloys as well as next-generation materials.

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)0,001
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,088
Tête enseignante GPT0,253
Écart entre enseignants0,164 · 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'étudeExpérimental (laboratoire)
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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Sensor Technologies ResearchTravaux en français237 207