MétaCan
Menu
Retour à la cohorte
Enregistrement W4320920932 · doi:10.3390/en16041881

How Applicable Are Turbulence Assumptions Used in the Tidal Energy Industry?

2023· article· en· W4320920932 sur OpenAlexaboutno aff
Alyona Naberezhnykh, David Ingram, Ian Ashton, Joel Culina

Notice bibliographique

RevueEnergies · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueWind Energy Research and Development
Établissements canadiensnon disponible
Organismes subventionnairesNatural Environment Research CouncilEngineering and Physical Sciences Research Council
Mots-clésTurbulenceTidal powerTurbulence modelingTurbulence kinetic energyK-epsilon turbulence modelK-omega turbulence modelMeteorologyFlow (mathematics)TurbineWork (physics)Statistical physicsMechanicsEnvironmental sciencePhysicsMarine engineeringEngineeringAerospace engineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

As tidal current and marine hydro-kinetic energy converters start to be deployed in pre-commercial arrays, it is critical that the design conditions are properly characterised. Turbulence is known to influence fatigue loads and power production, so developers use turbulence models to generate unsteady flows in order to simulate device performance. Most such models construct a synthetic flow field using a combination of measured parameters and theoretical assumptions. The majority in use today are based on atmospheric flow conditions and may have limited applicability in tidal environments. In the present work, we compare key turbulence model assumptions (which are recommended by the tidal turbine standards and are used in design software) to turbulence measurements from two tidal test sites in Scotland and Canada. Here, we show that the two sites have different levels of conformity to theoretical models, with significant variability within nearby locations at the same site. The agreement with spectral models is shown to be depth-dependent. The vertical component spectrum is better represented by the Kaimal model, while the streamwise spectrum is better represented by the von Kármán model. With the exception of one site, the shear profiles follow a power law, although with a different exponent to that commonly assumed. Both sites show significant deviations from the theoretical length scales and isotropy ratios. Such deviations are likely to misrepresent the loads experienced by a device. These results highlight the turbulence characteristics at real deployment sites, which are not well represented by current models, and, hence, which must be determined using field measurements.

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)0,007
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,035
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,003
Communication savante0,0050,006
Science ouverte0,0040,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,024
Tête enseignante GPT0,226
Écart entre enseignants0,202 · 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'étudeObservationnel
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

Citations7
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetWind Energy Research and DevelopmentTravaux en français237 207