Airfoil profile reconstruction from unorganized noisy point cloud data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Airfoil blades are typically inspected in sections to verify their conformance to the geometric tolerances specified on their nominal design. To maintain the accuracy of geometric error evaluation, in particular, for the position and orientation errors of the airfoil sections, sectional airfoil profiles should be reconstructed from the inspection data points. This paper presents a new method to automatically reconstruct the airfoil profile from unorganized noisy sectional data points of 3D scanned blades. A three-step airfoil profile reconstruction approach is presented. First, the algorithm thins the scattered set of sectional data points by projecting them onto the local curves fitted to them. For this purpose, a recursive weighted local least-squares scheme is proposed to fit local curves within the measurement uncertainty constraint of inspection data. Then, to order the thinned set of data points, the profile polygon is generated and imperfect nodes are modified by evaluation of the angular deviation of edges. Finally, a closed nonperiodic B-spline curve is fitted to the thinned and ordered set of data points to construct the smooth airfoil profile. A series of case studies have been carried out to demonstrate the effectiveness of the proposed airfoil profile reconstruction method. Implementation results have demonstrated that the proposed method is accurate and robust to noise. In addition to blade inspection, other applications such as repair and adaptive machining of aero-engine blades can equally benefit from the proposed method for automatic airfoil profile reconstruction.
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.
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 découle