Aircraft/Aeroengine Icing Physics and Innovative Strategies for Inflight Icing Mitigation
Notice bibliographique
Résumé
Aircraft/Aero-engine icing is widely recognized as a significant hazard to aircraft operations in cold weather.The speak will introduce his recent research in conducting a comprehensive experimental campaign to elucidate the underlying aircraft/aeroengine icing physics.By leveraging the unique Icing Research Tunnel available at Iowa State University (i.e., ISU-IRT), comprehensive investigations are conducted to examine the important micro-physical processes pertinent to aircraft/aeroengine icing phenomena.A suite of advanced flow diagnostic techniques, including molecular tagging velocimetry and thermometry (MTV&T), digital image projection (DIP), and high-speed infrared (IR) imaging thermometry techniques, are developed and applied to quantify water droplet impinging dynamics, transient behaviors of wind-driven water runback flows, unsteady heat transfer and dynamic solidification processes over airfoil/wing surfaces.Anti-/de-icing performances of various "state-of-the-art" hydro-/ice-phobic coatings/surfaces, including a lotus-inspired superhydrophobic surface (SHS) and a pitcher-plant-inspired Slippery Liquid-Infused Porous Surfaces (SLIPS), are evaluated quantitatively under different icing conditions (i.e., ranged from dry rime icing to wet glaze icing conditions).The recent research efforts on unmanned-aerial-system (UAS) icing will also be introduced briefly.The findings derived from the icing physics studies are extremely helpful to improve current icing accretion models and to develop novel, effective anti-/de-icing strategies to ensure safer and more efficient operation of aircraft/aeroengined in
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».