Advancements in CHAMPS for Multi-Layer Ice Accretion on Aircraft
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">The numerical simulation of ice accretion on aircraft is a complex problem that is difficult to simulate robustly, especially in 3D. The process, which combines multiple different solvers, is prone to fail whenever the geometry deformation due to ice is too complex. Thus, the more ice layers, the more fragile is the simulation. This paper aims at studying, and possibly reducing, the dependency on the number of layers by considering i) the impact of the deforming surface on the impingement and ii) a local roughness modeling that can better position the ice horns.</div><div class="htmlview paragraph">The method called Impact Angle Correction (IAC) method in the literature is implemented and consists in setting in an additional loop the components solved on the surface, namely the thermodynamic exchanges and the geometry update, to consider the change in the surface normal vectors. For each of these ice sub-layers, the impingement water mass is recomputed by considering all droplet bins after each deformation of the surface. Two-dimensional results show that this method can reduce the dependency on the number of full ice layers.</div><div class="htmlview paragraph">A local roughness model is also implemented to impact the convective heat transfer simulation on the surface depending on local icing data. This local roughness could allow to better capture the ice horn locations, angle and height. Two-dimensional results presented in this work show in particular that lower horns are better captured when using a local roughness model. Three-dimensional glaze results show the effect of the coupling of both models for single-layer ice accretion, which can help capturing small-scale ice features.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».