Sensitivity Study of Ice Accretion Simulation to Roughness Thermal Correction Model
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
The effects of atmospheric icing can be anticipated by Computational Fluid Dynamics (CFD). Past studies show that the convective heat transfer influences the ice accretion and is itself a function of surface roughness. Uncertainty quantification (UQ) could help quantify the impact of surface roughness parameters on the reliability of ice accretion prediction. This paper aims to quantify ice accretion uncertainties and identify the key surface roughness correction parameters contributing the most to the uncertainties in a Reynolds-Averaged Navier-Stokes (RANS) formulation. Ice accretion simulations over a rough flat plate using two thermal correction models are used to construct a RANS database. Non-Intrusive Polynomial Chaos Expansion (NIPCE) metamodels are developed to predict the convective heat transfer and icing characteristics of the RANS database. The metamodels allow for the computation of the 95% confidence intervals of the output probability distribution (PDF) and of the sensitivity indexes of the roughness parameters according to their level of influence on the outputs. For one of the thermal correction models, the most influential parameter is the roughness height, whereas for the second model it is the surface correction coefficient. In addition, the uncertainty on the freestream temperature has a minor impact on the ice accretion sensitivity compared to the uncertainty on the roughness parameters.
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