MétaCan
Menu
Retour à la cohorte
Enregistrement W4292582824 · doi:10.3389/fpace.2022.951987

Design and test a converging and de Laval nozzle using additive manufacturing

2022· article· en· W4292582824 sur OpenAlexaboutno aff
Mingtai Chen, Ruksana Baby, Seth Dillard, Yi Tsung Lee, Srinath V. Ekkad

Notice bibliographique

RevueFrontiers in Aerospace Engineering · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensnon disponible
Organismes subventionnairesDivision of Electrical, Communications and Cyber SystemsNorth Carolina State UniversityNational Science Foundation
Mots-clésNozzleSurface roughnessMechanical engineeringAerospaceFused filament fabricationSurface finishFluentCompressibilityIsentropic processComputer scienceEngineering3D printingMaterials scienceAerospace engineeringComputational fluid dynamicsMechanicsPhysicsComposite material

Résumé

récupéré en direct d'OpenAlex

The advent of additive manufacturing technology has facilitated the design and fabrication of parts and models in both academia and aerospace industry. Compressible flow in the nozzles is not a new research topic; however, the accuracy of the experimental results obtained from the nozzles using additive manufacturing has not been assessed comprehensively. Surface roughness and strength of 3D-printed nozzles are two major concerns when they are applied to compressible flows. In this paper, a converging and a de Laval nozzle fabricated by additive manufacturing using ABS filament are designed and tested. Surface roughness inside the converging nozzle is quantified using a nondestructive method. In general, the experimental results compare well with the analytical solutions from isentropic equations for the converging nozzle and the numerical simulations conducted in ANASYS Fluent for the de Laval nozzle. 3D-printed nozzles can be employed to quickly demonstrate and verify novel ideas and concepts in the pedagogy and research at large Reynolds numbers.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,238
Score d'incertitude au seuil1,000

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 Opus0,004
Tête enseignante GPT0,165
Écart entre enseignants0,161 · 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.

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

Citations8
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Aerospace EngineeringMême sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207