MétaCan
Menu
Retour à la cohorte
Enregistrement W4291449582 · doi:10.3390/machines10080687

Multi-Objective Optimization and Optimal Airfoil Blade Selection for a Small Horizontal-Axis Wind Turbine (HAWT) for Application in Regions with Various Wind Potential

2022· article· en· W4291449582 sur OpenAlexaff
Vahid Akbari, Mohammad Naghashzadegan, R. Kouhikamali, Farhad Afsharpanah, Wahiba Yaïci

Notice bibliographique

RevueMachines · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueWind Energy Research and Development
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésAirfoilTurbineAerodynamicsTurbine bladeMarine engineeringLift coefficientWind powerRelative windBlade element momentum theoryLift (data mining)Aerospace engineeringEngineeringStructural engineeringReynolds numberAngle of attackMechanicsPhysicsComputer scienceElectrical engineering

Résumé

récupéré en direct d'OpenAlex

The type of airfoil with small wind turbine blades should be selected based on the wind potential of the area in which the turbine is used. In this study, 10 low Reynolds number airfoils, namely, BW-3, E387, FX 63-137, S822, S834, SD7062, SG6040, SG6043, SG6051, and USNPS4, were selected and their performance was evaluated in a 1 kW wind turbine in terms of the power coefficient and also the startup time, by performing a multi-objective optimization study. The blade element momentum technique was utilized to perform the calculations of the power coefficient and startup time and the differential evolution algorithm was employed to carry out the optimization. The results reveal that the type of airfoil used in the turbine blade, aside from the aerodynamic performance, completely affects the turbine startup performance. The SG6043 airfoil has the highest power coefficient and the BW-3 airfoil presents the shortest startup time. The high lift-to-drag ratio of the SG6043 airfoil and the low inertia of the turbine blades fitted with the BW-3 airfoil make them suitable for operation in windy regions and areas with low wind speeds, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,007
Tête enseignante GPT0,213
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), 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

Citations62
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMachinesMême sujetWind Energy Research and DevelopmentTravaux en français237 207