MétaCan
Menu
← Back to cohort
Record W6991136935

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

2022· other· fr· W6991136935 on OpenAlexaboutno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2022
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsTurbineGas turbinesWork (physics)
DOInot available

Abstract

fetched live from 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.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.998
Threshold uncertainty score0.018

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.001
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0010.001
Research integrity0.0010.000
Insufficient payload (model declined to judge)0.0050.001

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.

Opus teacher head0.021
GPT teacher head0.233
Teacher spread0.212 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2022
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→French-language works237,207→