Towards the design of low-noise aircraft landing gears using the lattice Boltzmann method
Bibliographic record
Abstract
Ce travail présente une étude de faisabilité sur l’application de l’aéroacoustique numérique pour les trains d’atterrissage. Un code de calcul basé sur la méthode de Boltzmann sur réseau disponible commercialement a été utilisé. Le bruit en champ lointain a été prédit en utilisant une analogie acoustique basée sur l’équation de Ffowcs-Williams et Hawkings. Les résultats aérodynamiques et acoustiques numériques ont été comparés à des résultats expérimentaux obtenus en soufflerie.En premier lieu, le bruit provenant de l’écoulement autour de deux cylindres parallèles a été étudié pour valider les outils numériques sur une géométrie simple dont les mécanismes de génération de bruit sont semblables à ceux retrouvés sur les trains d’atterrissage. Les résultats expérimentaux pour cet arrangement ont démontré que la transition turbulente provoquée artificiellement en soufflerie modifie l’écoulement, le rendant semblable à un écoulement ayant un nombre Reynolds élevé. Cette transition artificielle a causé la formation de tourbillons à fréquence élevée et un délai dans le décollement de la couche limite, diminuant ainsi la corrélation avec les résultats numériques. Plusieurs stratégies numériques ont été étudiées pour améliorer la simulation de la transition turbulente de la couche limite et ses effets sur l’écoulement. Les meilleurs résultats ont été obtenus en réduisant la viscosité du fluide dans la simulation.Le bruit provenant de l’écoulement autour d’un train d’atterrissage rudimentaire a ensuite été évalué. Les prédictions des fluctuations de pression sur la surface du modèle étaient inférieures aux mesures expérimentales pour les régions à proximité des points de décollement de la couche limite, en particulier pour les fréquences élevées. Les fluctuations ont ́été mieux prédites dans les régions où la couche limite était complètement décollée du train. Les prédictions des niveaux de bruit en champ lointain simulés correspondaient bien aux niveaux mesurés en soufflerie.Finalement, les émissions de bruit pour l’écoulement autour d’un train d’atterrissage détaillé ont été prédites. Une bonne corrélation entre les résultats numériques et expérimentales a permis d’évaluer la capacité des outils numériques à gérer des géométries réelles et complexes. Les mesures expérimentales d’un réseau de microphones et l’analyse numérique des fluctuations de pression de surface ont été utilisés afin d’identifier les sources de bruit sur le train. Ces sources ont ́été identifiées sur le piston et la jambe principale, ainsi qu’à l’arrière de la lumière et des bras de torsion. Le train détaillé sans la lumière a par la suite été simulé. Les changements dans le spectre acoustique n’ont pas été prédits précisément. Cependant, une bonne prédiction du changement de niveau sonore cumulatif a été obtenue.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".