MétaCan
Menu
Retour à la cohorte
Enregistrement W4243394719 · doi:10.1115/1.4037864

Identifying Opportunities for Reducing Nacelle Drag

2017· article· en· W4243394719 sur OpenAlexafffund
M. S. Zawislak, D. J. Cerantola, A. M. Birk

Notice bibliographique

RevueJournal of Engineering for Gas Turbines and Power · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueComputational Fluid Dynamics and Aerodynamics
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDragNacelleFuselageMechanicsComputational fluid dynamicsSuctionAngle of attackParasitic dragDrag divergence Mach numberTurbulenceAerodynamic dragDrag coefficientAerospace engineeringReynolds numberPhysicsAerodynamicsMeteorologyEngineeringTurbine

Résumé

récupéré en direct d'OpenAlex

The accurate prediction of drag caused by bluff bodies present in aerospace applications, particularly at high angles of attack, was a challenge. An experimental and numerical investigation of a nacelle intended for fuselage-mounted aircraft engines was completed at several angles of attack between 0 deg and 45 deg with a Reynolds number of 6 × 105. Steady-flow simulations were conducted on hybrid grids using ANSYS fluent 15.0 with preference given to the realizable k–ε turbulence model. Both total drag and the pressure-to-viscous drag ratio increased with angle of attack as a consequence of greater flow separation on the suction surface. Near-field and far-field drag predictions had grid uncertainties below 2.5% and were within 10% of experiment, which were less than the uncertainties of the respective force balance and outlet traverse data at all angles of attack. Regions were defined on suction-side x-pressure force plots using the validated computational fluid dynamics (CFD) data-set that showed where and how much drag could be reduced. At 20 deg angle of attack, there was a potential to reduce up to 20% drag contained within the separated flow region.

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 enseignants0,234
Score d'incertitude au seuil0,456

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 Opus0,027
Tête enseignante GPT0,250
Écart entre enseignants0,222 · 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

Citations1
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Engineering for Gas Turbines and PowerMême sujetComputational Fluid Dynamics and AerodynamicsTravaux en français237 207