Analysis of Electro-Thermal De-Icing on a NACA0012 Airfoil Under Harsh SLD Conditions and Different Angles of Attack
Notice bibliographique
Résumé
Ice accretion (icing) on aircraft surfaces is a significant safety risk through airfoil shape modification and reduction in aerodynamic efficiency. This process occurs when an aircraft flies through clouds of supercooled water droplets that freeze upon impact on exposed surfaces. To counter this hazard, electro-thermal de-icing systems integrate heaters in critical regions to melt ice and reduce performance losses. In this study, a multiphysics computational model is used to simulate ice accretion and electro-thermal de-icing on a NACA-0012 airfoil, accounting for factors such as airflow, droplet impingement, phase changes, and heat conduction. The model’s predictions are validated against experimental data, confirming its accuracy. A cyclic electro-thermal ice protection system (ETIPS) is then tested under both standard and severe supercooled large droplet (SLD) conditions, examining how droplet size and angle of attack affect de-icing performance. Simulations without an active de-icing system show severe aerodynamic degradation, including an 11.1% loss of lift and a 48.2% increase in drag at a 12∘ angle of attack. For large droplets (median 200 μm), the drag coefficient increases by 36.5%. Under harsh icing conditions, the effectiveness of the de-icing system is found to depend on droplet size, angle of attack, and heater placement. Even with continuous heater operation, ice continues to accumulate on the leading edge at higher angles of attack. While the ETIPS performs effectively against large droplets in heated zones, unheated regions experience significant ice buildup (especially with 200 μm droplets). This indicates that additional or extended heaters may be necessary to ensure complete protection in extreme conditions.
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 | 0,001 |
| 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 ».