MétaCan
Menu
← Retour à la cohorte
Enregistrement W6991136935

Exploration de concepts de groupes motopropulseurs hybrides pour des opérations de taxi d’avions de transport régional

2022· other· fr· W6991136935 sur OpenAlexaboutno aff

Notice bibliographique

RevueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2022
Typeother
Languefr
Domaine
Thématique
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésTurbineGas turbinesWork (physics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les émissions de CO2 du transport aérien se chiffrent à 12% des émissions associées au transport en général. En considérant une croissance annuelle de 3.9% pour le transport aérien, de nombreux efforts sont requis pour diminuer l’impact environmental du secteur aéronautique. Une stratégie employée consiste en l’utilisation de batteries Li-ion et de groupes motopropulseurs électriques pour mouvoir les aéronefs. Cependant, malgré une meilleure efficacité de la chaîne de traction, la faible énergie spécifique des batteries limite la portée et la charge utile des avions électriques comparativement aux avions conventionnels. Similaire au secteur automobile, l’aviation hybride propose une solution de transition en combinant une turbine à gaz conventionnelle à un groupe motopropulseur électrique. L’aviation régionale, et plus précisément les turbopropulseurs, représentent d’excellents candidats pour maximiser les bénéfices d’une architecture hybride. En effet, avec ses courts vols, les turbopropulseurs utilisent rarement la turbine à son meilleur point d’efficacité et la faible énergie spécifique des batteries Li-ion est moins contraignante pour de courtes missions. Dans le cadre du projet HEPOS, un avion turbopropulseur similaire à un ATR- 42 a été sélectionné pour évaluer le potentiel de réduction de carburant d’une architecture hybride-parallèle avec Pratt & Whitney Canada et l’Université Laval. Les phases de taxi, périodes où la turbine est opérée à faible puissance, représente jusqu’à 5% du carburant d’une mission de 250 nm dû à une consommation élevée au ralenti. Ce mémoire investigue deux architectures électriques pour pallier cette inefficacité : une motorisation électrique au niveau de l’hélice et une motorisation électrique au niveau du train d’atterissage principal. Ces architectures sont simulées à partir de profils de taxi dynamiques afin de saisir l’impact des requis d’accélération sur la puissance requise, et donc la taille du système de taxi. Pour un même segment de taxi-out, il est démontré que l’architecture avec motorisation à l’hélice requiert 4 fois plus d’énergie et 3.3 fois plus de puissance que l’architecture avec motorisation au train d’atterissage principal. Comparée à l’avion de base, une réduction de consommation de carburant de 68.8 kg peut être obtenue en acceptant une pénalité de masse de 154.1 kg associée à l’architecture avec motorisation au train d’atterissage principal. Lorsque cette architecture est intégrée dans un environnement d’optimisation, des réduction de carburant de 4% à 4.5% sont obtenus pour une mission de 270 nm avec des charges utiles de 12500 lb à 7500 lb respectivement. Cette architecture semble donc prometteuse pour obtenir des réductions de consommation avec la technologie d’aujourd’hui, et ce de façon indifférente à la charge utile de l’appareil.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,998
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,021
Tête enseignante GPT0,233
Écart entre enseignants0,212 · 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 source (Gemma direct ou Codex distillé), 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→Travaux en français237 207→