Fiber Bragg Grating Sensors ice detection: Methodologies and performance
Notice bibliographique
Résumé
New Researches have been done recently in order to create and adapt new systems to the recent Appendix O FAR 25 Aeronautical aircraft icing regulations. One important issue are the Supercooled Large Droplets (SLD) that are an important hazard in many cases. Novel sensor technologies for aircraft are being developed in order to assess the ice severity and to discriminate between large size droplets and small size droplets ice accretions. The European SENS4ICE project gives founding for the research and development of several aeronautical ice detection systems that can discriminate between Appendix C and Appendix O conditions. In the present paper, the strengths and weaknesses of the Fiber Optic ice Detector (FOD) developed by INTA are discussed using a test matrix from the Canadian National Research Council (NRC). The FOD has presented good performance at the NRC ice wind tunnel tests in the ice detection time, detecting ice in most cases earlier than required by the actual standard (ED-103). Its lightness, low intrusiveness and small size, makes the FOD ideal for aeronautical applications. It measures indirectly the icing cloud characteristics, such as the liquid water content (LWC) and the ice accretion rate, so only an approximate severity assessment could be done.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».