MétaCan
Menu
Retour à la cohorte
Enregistrement W4297645025 · doi:10.4050/f-0078-2022-1144

High Speed and Highly Efficient Rotor Blade Design

2022· article· en· W4297645025 sur OpenAlexaff
Byung-Young Min, Alex F. Dunn, Annie Gao, В.Й. Климченко, Claude Matalanis, Brian Wake

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueTurbomachinery Performance and Optimization
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésAerodynamicsBlade (archaeology)Rotor (electric)Computer scienceThrustTrailing edgeSolverEngineering design processLift (data mining)Computational fluid dynamicsAerospace engineeringAutomationRobustness (evolution)SimulationEngineeringMechanical engineeringStructural engineering

Résumé

récupéré en direct d'OpenAlex

Aerodynamic design of the high speed, highly efficient rotor (HSHER) blade is presented. The main objective was to design a medium-lift utility scale blade with improved high-speed performance and no penalty in hover, suitable for a single-main rotor operating at speeds between 180 and 200 knots. To accomplish this, a design concept was chosen consisting of an advanced passive blade shape along with an adjustable trailing-edge device. Initial studies using a blade-element solver combined with a genetic algorithm were used to quickly survey large portions of the design space. Next, a CFD-based process was established whereby CREATETM-AV HELIOS was used for high-speed forward-flight simulations while hover performance was addressed using a combination of Star-CCM+ for rapid iterations and HELIOS for more detailed evaluation. While fully-automated optimization was not performed, automation was introduced wherever possible to minimize manual effort and keep the engineering effort focused on high-level strategic decisions that are still somewhat difficult to automate. The final result was a new blade design which showed significant improvements in both high-speed performance (?L/D ~1) and hover efficiency (?FM ~0.03) with increased thrust capability.

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 enseignants0,046
Score d'incertitude au seuil0,462

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 Opus0,007
Tête enseignante GPT0,174
Écart entre enseignants0,168 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTurbomachinery Performance and OptimizationTravaux en français237 207