Shape considerations for the design of propellers with trailing edge serrations
Notice bibliographique
Résumé
Noise reductions due to trailing edge serrations of several representative unmanned air vehicle propellers are calculated using a low-order methodology based on RANS simulations coupled with an extension of Ayton’s model proposed by Li and Lee, which provides a heuristic three-dimensional model for finite span applicable to rotor blades. The latter model is validated in the limit of zero serration amplitude against Amiet’s and Schlinker and Amiet’s models, finding good agreement at high frequencies for both airfoils and rotating blade elements. Similar good validation results are obtained for finite serrations by comparing with experiments achieved on the Controlled Diffusion airfoil at Université de Sherbrooke, and with calculations for a serrated blade element by Tian and Lyu. The coupled methodology is then validated both aerodynamically and acoustically with ISAE measurements for a representative drone propeller at different rotational speeds. The corresponding serrated model is then used to calculate noise reductions caused by different shapes. The square wave serration is shown to outperform the sawtooth and sinusoidal shapes for all frequencies and observer angles for small propeller blades typically used for drones. Yet, for larger chord blades typically used for ducted fans, combinations of sawtooth and sinusoidal serrations provide better noise reductions. • A semi-analytical methodology is validated to predict propeller trailing edge noise. • An analytical extension for serrated airfoils and propellers is evaluated. • Square wave serration outperforms the conventional sawtooth for small propellers. • Mixed sawtooth and sinusoidal serrations can tailor far-field noise for larger rotors. • Serration shape design guidelines are given based on blade tip Mach number.
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 ».