MétaCan
Menu
Retour à la cohorte
Enregistrement W4385651566 · doi:10.1139/dsa-2023-0007

Effects of non-planar slicing techniques and carbon fibre material additives on the mechanical properties of 3D-printed drone propellers

2023· article· en· W4385651566 sur OpenAlexafffundvenue
Matthew Palmer, Jeremy Laliberté

Notice bibliographique

RevueDrone Systems and Applications · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSlicingPropellerThrust3D printingMaterials scienceMechanical engineeringFused filament fabricationSurface roughnessComputer sciencePlanarComposite materialMarine engineeringEngineeringComputer graphics (images)

Résumé

récupéré en direct d'OpenAlex

Propeller parameters and geometry can dramatically influence the performance of a drone and its ability to complete a mission. Though many off-the-shelf propeller choices exist, operators in the field may not be able to stock suitable options for any possible scenario and are often forced to fly with a suboptimal propeller. Modern desktop 3D printers are relatively portable, highly capable, and simple to operate, offering the chance to rapidly manufacture propellers tailored to specific missions. This research evaluates how two recent advances in fused filament fabrication 3D printing could affect the mechanical viability of printed propellers. Non-planar slicing is a model slicing technique that attempts to address roughness issues when printing the shallow three-dimensional curvature found on many propeller blades. For further improvement, polymer filaments with short-chopped carbon fibre additives were compared against their fibre-free counterparts. Test coupons were subjected to tests simulating the thrust and impact loads a propeller might experience during flight. Under thrust loading, the material with carbon fibre additives showed a significant performance advantage. During impact tests, both nonplanar slicing (65% average improvement) and carbon fibre material additives (20% average improvement) demonstrated performance gains over their more traditional counterparts.

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 enseignants0,001
Score d'incertitude au seuil0,004

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)0,0010,000

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 Opus0,010
Tête enseignante GPT0,199
Écart entre enseignants0,189 · 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

Citations15
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueDrone Systems and ApplicationsMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207