MétaCan
Menu
Retour à la cohorte
Enregistrement W4405184834 · doi:10.11159/icffts24.159

Preliminary Evaluation of Drag Reduction Performance for Functional Surfaces with 60-degree Riblets Subjected to Taylor-Couette Flows

2024· article· en· W4405184834 sur OpenAlexfundno aff
William B. Gordon, Evgueni V. Bordatchev, O. Remus Tutunea‐Fatan, Naiheng Song, Lucy Li

Notice bibliographique

RevueProceedings of the International Conference on Fluid Flow and Thermal Science, ICFFTS ... · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Turbulent Flows
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDragReduction (mathematics)Degree (music)Taylor–Couette flowMaterials scienceMechanicsCouette flowMathematicsFlow (mathematics)PhysicsGeometryAcoustics

Résumé

récupéré en direct d'OpenAlex

This study outlines the initial development of a drag-reducing surface with a 60 triangular riblet-groove design.The research covers the design, microfabrication, and performance evaluation phases.The riblet-groove surface, designed with a lateral spacing of 57.8 m and a depth of 50 m, was based on optimized parameters from literature.Two acrylic drums were fabricated using high precision multi-axis single-point diamond turning technology, achieving excellent surface quality and form accuracy (< 2 m).One drum had a flat surface, while the other featured the riblet-groove design.The functional performance was evaluated using a rheometer-based Taylor-Couette system, which recorded torque, angular position, and normal force synchronously and simultaneously in time domain.At high angular velocities, air naturally incorporated into the Taylor vortices, leading to an unexpected drag reduction of 39.7%, likely due to air bubbles trapped in the riblet valleys acting as a lubricant.Before air inclusion, the maximum drag reduction observed was 7.1%.Further research is needed to understand this significant improvement in drag reduction and explore its potential applications in aerospace, automotive, marine, energy, and biomedical industries.

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)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,813
Score d'incertitude au seuil0,445

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,030
Tête enseignante GPT0,239
Écart entre enseignants0,210 · 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'étudeSimulation ou modélisation
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Fluid Flow and Thermal Science, ICFFTS ...Même sujetFluid Dynamics and Turbulent FlowsTravaux en français237 207