Multi-Layer Stochastic Ice Accretion Model for Aircraft Icing
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2021-2629.vid This paper presents a stochastic approach to model ice accretion on airfoils under in-flight icing conditions within a multi-layer process. The stochasticity itself is introduced in the impingement and freezing steps of water particles, as suggested in the literature. The model implementation is thought for reducing the CPU and memory cost by solving the stochastic ice accretion on an advancing front grid made of Cartesian cells, called pixels. Furthermore, the impingement and freezing processes are performed with probabilities obtained from the droplet trajectory and thermodynamic modules, respectively, which are compared against pseudo-random numbers generated with a uniform distribution. Multi-layer icing is achieved by extracting a new geometry from the stochastic field solution into a B-spline at a given time in order to regenerate a body-conforming grid and to start again the overall ice accretion process for a new layer. Verification and validation are performed on two NACA0012 test cases. Numerical results are compared to experimental data and are found to be qualitatively in better agreement as the number of icing layers increases. The proposed approach successes to capture the overall ice geometries of the test cases, despite some ice height discrepancies. In particular, the ice density is shown to change along the surface, which is expected in real ice experiment. Since the ice density is a dependent variable of the problem, a calibration of the model could lead to improved ice shapes predictions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».