MétaCan
Menu
Retour à la cohorte
Enregistrement W4221031175 · doi:10.15866/irease.v15i1.21324

Aircraft Anti-Icing Fluids Endurance Under Natural and Artificial Snow: a Comparative Study

2022· article· en· W4221031175 sur OpenAlexafffund
Éric Villeneuve, Claire Charpentier, Jean-Denis Brassard, Gelareh Momen, Antoine Lacroix

Notice bibliographique

RevueInternational Review of Aerospace Engineering (IREASE) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensTransport CanadaUniversité du Québec à Chicoutimi
Organismes subventionnairesTransport Canada
Mots-clésSnowIcingEnvironmental scienceSnow removalCold climateNatural (archaeology)MeteorologyGeologyGeography

Résumé

récupéré en direct d'OpenAlex

The usage of De-Icing and Anti-Icing fluids is the most common method recognized to protect aircraft on the ground from freezing and frozen contaminants. The snow endurance times, which means the duration that a fluid can protect the vehicle from snow accumulations, is currently determined outdoor under natural conditions. To replace this expensive and very impractical method, the Anti-Icing Materials International Laboratory developed snow machine was used to perform a comparative study. In this first study, three commercial fluids were tested at various snow intensity rates under artificial snow generated with the snow machine in a cold chamber to validate the testing procedure and investigate the way forward. The results obtained were then positively compared to natural snow endurance times. They were also compared with natural snow regression curves, showing similar trends. This study demonstrated the great potential of this method showing the necessity of pursuing this investigation.

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: Empirique
Score de désaccord entre enseignants0,157
Score d'incertitude au seuil0,996

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 Opus0,015
Tête enseignante GPT0,263
Écart entre enseignants0,248 · 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

Citations6
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Review of Aerospace Engineering (IREASE)Même sujetIcing and De-icing TechnologiesTravaux en français237 207