The Evolution of Dragonfly's Design Using CFD at Titan
Notice bibliographique
Résumé
This paper presents the development and application of a computational fluid dynamics (CFD) modeling approach for the Dragonfly rotorcraft lander, a NASA New Frontiers mission to study prebiotic chemistry on Titan, Saturn's largest moon. The primary CFD approach uses Siemens Digital Industries Simcenter STAR-CCM+ to generate a large database of aerodynamic loads for various flight phases, including Preparation for Powered Flight (PPF), Transition to Powered Flight (TPF), and surface flights. The mid-fidelity CFD approach relies on a steady-state Reynolds Averaged Navier Stokes (RANS) and Virtual Disk Blade Element Momentum Theory (BEMT) model to produce the aerodynamic loads for more than 3000 flight conditions. The CFD was used with Gaussian Process Regression (GPR) to create a surrogate model for predicting aerodynamic loads, aerodynamic performance, handling qualities and control margins; the surrogate is queried over 10 billion times during flight dynamics analyses. Higher fidelity CFD runs, using CREATE-AV Helios, were conducted to build confidence in the midfidelity approach and understand its limitations. The results demonstrate the effectiveness of the CFD approach in supporting the design and maturation of the Dragonfly lander from Preliminary Design to Critical Design and provide valuable insights into the complex aerodynamics of the vehicle during various flight phases.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».