MétaCan
Menu
Retour à la cohorte
Enregistrement W4379930507 · doi:10.2514/6.2023-4481

Experimental and Computational Characterization of Canonical Side-Edge Noise

2023· article· en· W4379930507 sur OpenAlexaff
Guang C. Deng, Satoshi Baba, Philippe Lavoie, Stéphane Moreau, Oksana Stalnov

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAerodynamics and Acoustics in Jet Flows
Établissements canadiensUniversité de SherbrookeInstitute for Christian StudiesUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésAerodynamicsAirfoilVortexTrailing edgeAcousticsNoise (video)Detached eddy simulationLeading edgePhysicsMechanicsComputational fluid dynamicsComputer scienceReynolds-averaged Navier–Stokes equations

Résumé

récupéré en direct d'OpenAlex

View Video Presentation: https://doi.org/10.2514/6.2023-4481.vid Airfoil self-noise is investigated on a canonical cantilever wing with a supercritical profile (2% Camber, 13% thickness) with a compressible wall-resolved large-eddy simulation (WR-LES). The study focuses on the side-edge flow structures responsible for noise generation and provides detailed comparisons of surface flow visualization and far-field acoustics between simulation and experiment. The aerodynamic results reveal the development of a complex vortex system at the side edge, including primary, secondary, and tertiary vortices that govern aerodynamic noise production. The wall pressure coefficient and root mean square pressure coefficient contours highlight the side-edge shear layer and flow impingement of the primary vortex at the pressure side edge to be important noise generation mechanisms. Dynamic Mode Decomposition (DMD) analysis identifies the dominant acoustic modes and source locations. The solid surface Ffowcs Williams and Hawkings (FW-H) analogy is used to compute the far-field noise levels. This study provides insights into the aerodynamic and acoustic coupling of the airfoil and contributes to the understanding of tip-noise sources for supercritical airfoils.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0030,000

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 Opus0,009
Tête enseignante GPT0,228
Écart entre enseignants0,219 · 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'étudeExpérimental (laboratoire)
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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAerodynamics and Acoustics in Jet FlowsTravaux en français237 207