MétaCan
Menu
Retour à la cohorte
Enregistrement W4286963731 · doi:10.5281/zenodo.5561721

REVIEW OF STUDIES ON THE CFD-BEM APPROACH FOR ESTIMATING POWER LOSSES OF ICED-UP WIND TURBINES

2021· article· en· W4286963731 sur OpenAlexaff
Leidy Tatiana Montoya Contreras Fahed Martini

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueCavitation Phenomena in Pumps
Établissements canadiensUniversité du Québec à Rimouski
Organismes subventionnairesnon disponible
Mots-clésComputational fluid dynamicsWind powerMarine engineeringEnvironmental scienceComputer scienceEngineeringAerospace engineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

The application of computational fluid dynamics (CFD) in wind turbine design and analysis is becoming increasingly common in research on wind energy, resulting in a better knowledge of the aerodynamic behaviour of rotors. Due to the deformation of blade airfoils on account of icing, a significant drop in aerodynamic performance brings wind turbines to lose considerable portions of their productivity. Estimating power degradation due to icing via 3D simulation, although it is essential to capture the three-dimensional turbulence effects, is very costly in computational resources despite technological development it then becomes unfeasible when it comes to different operation scenarios to estimate icing originated power losses. The Quasi-3D simulation based on the CFD-BEM method is a practical alternative for generating wind turbines power curves. It showed effectiveness in predicting performance up to a certain level. More than few studies in the literature have adopted this approach to generate the power curve for both clean (un-iced) and iced-up wind turbines. However, the methodology was not adequately presented and discussed for wind turbine icing. This paper reviews the results of almost all the up-to-date published papers that approached this method, summarizing the findings and federates the research in that field to conclude with concrete facts and details that advance research in this domain.\n\n

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,792
Score d'incertitude au seuil0,888

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,003
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)0,0010,000

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 Opus0,062
Tête enseignante GPT0,279
Écart entre enseignants0,217 · 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'étudeSans objet
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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetCavitation Phenomena in PumpsTravaux en français237 207