MétaCan
Menu
Retour à la cohorte
Enregistrement W4380590065 · doi:10.4271/2023-01-1377

NRC’s ICE-MACR 2018-2023: What Has Been Learned So Far

2023· article· en· W4380590065 sur OpenAlexaffabout
Martin Neuteboom, Christopher Dumont, Jeanne G. Mason, Jennifer L. Chalmers, Philip Chow

Notice bibliographique

RevueSAE International Journal of Advances and Current Practices in Mobility · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésIcingTurbofanGas compressorEngineeringIce crystalsMeteorologyAerospace engineeringEnvironmental scienceIcing conditionsCasingGeologyMechanical engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">The Ice Crystal Environment Modular Axial Compressor Rig (ICE-MACR) was developed by the National Research Council of Canada (NRC) with support from the Federal Aviation Administration (FAA) in response to the need to understand ice crystal icing of aircraft engines at high altitudes. Icing wind tunnel tests on static hardware lack some of the real physics of turbofan compressor such as centrifuging and fracturing of particles, and melting of particles due to compression heating, heat transfer through a casing wall, as well as annular geometry effects. Since the commissioning of ICE-MACR in 2019 new insights have been gained on the physics behind ice crystal icing of turbofan engines. Additionally, the results of various test campaigns have been used to validate engine ice accretion numerical codes. This paper summarizes the key insights into ICI of turbofans gained from the ICE-MACR to date.</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 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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil0,481

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
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 savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,058
Tête enseignante GPT0,372
Écart entre enseignants0,314 · 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'étudeAutre devis
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

Citations1
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSAE International Journal of Advances and Current Practices in MobilityMême sujetIcing and De-icing TechnologiesTravaux en français237 207