MétaCan
Menu
Retour à la cohorte
Enregistrement W4413391652 · doi:10.1115/omae2025-157545

Integrated Numerical and Experimental Study of Cavitating Flow and Underwater Noise in Tug Vessels With Ducted Propellers

2025· article· en· W4413391652 sur OpenAlexaff
Zhi Cheng, Suraj Kashyap, Brendan Smoker, Giorgio Burella, Rajeev K. Jaiman

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueCavitation Phenomena in Pumps
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésUnderwaterCavitationMarine engineeringAcousticsNoise (video)GeologyComputer scienceEngineeringPhysicsOceanography

Résumé

récupéré en direct d'OpenAlex

Abstract In marine/offshore engineering, the environmental and operational implications of underwater radiated noise from marine vessels are becoming increasingly critical. This paper aims to understand these concerns through an integrated study of the hydrodynamic and hydroacoustic dynamics of ducted propeller systems on tugboats. Specifically, we examine the wakefield and noise characteristics of a tugboat equipped with a Kaplan 4-70 propeller in a 19a nozzle via large-eddy simulation and homogeneous mixture theory-based cavitation modeling. Noise propagation is analyzed using the Ffowcs-Williams-Hawkings acoustic model. Results reveal that aft-field flow non-uniformity creates a disordered pressure distribution on the propeller surface, with hydrodynamic coefficient pulsations exhibiting periodicity. Sea trials confirm that tugboats can produce underwater noise levels up to 180 dB, with experimental data capturing fixed-frequency mechanical noise, high-frequency oceanic background noise, and propeller-induced hydrodynamic noise. The nozzle extrusion suppresses blade tip vortex shedding and associated cavitation, while upstream hull-induced flow perturbation enhances turbulence and broadband noise. Numerical simulations align well with experimental results in the low-frequency range, primarily corresponding to blade passage behavior. These findings provide valuable insights into noise mitigation strategies and sustainable tugboat design, addressing both environmental and operational challenges.

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)0,000
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 enseignants0,315
Score d'incertitude au seuil0,341

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
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 Opus0,008
Tête enseignante GPT0,229
Écart entre enseignants0,221 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCavitation Phenomena in PumpsTravaux en français237 207