Pertes énergétiques d'une éolienne à partir des formes de glace simulées numériquement
Bibliographic record
Abstract
Les milieux nordiques disposent généralement de régions très bien exposées au vent et ces régions semblent idéales pour l'exploitation des éoliennes. Malheureusement, les problèmes liés au givrage y sont fréquents et ont des sérieuses conséquences sur la production des éoliennes, leur maintenance et leur durée de vie. \n \nLe givrage, qui est caractéristique des régions au climat froid, est le phémomène d'accumulation de glace sur les pales des éoliennes. Il est causé par la pluie verglaçante, la bruine et le brouillard givrant au niveau du sol ou le givrage dans les nuages en altitude, ou le gel, lorsque l'éolienne est installée à proximité des masses d'eau. Le givrage diminue les performances aérodynamiques en provoquant des pertes de puissance et par conséquent des pertes énergétiques. \n \nL'impact du givrage est difficile à quantifier sans essais expérimentaux et simulations numériques en raison du manque de données réelles sur le terrain. Le coût des essais en soufflerie étant élevé, une approche par simulations numériques permet de fournir rapidement des informations sur les pertes de performances aérodynamiques et énergétiques dans différentes configurations d'éoliennes et de conditions météorologiques. Combiner des mesures météorologiques nombreuses à des modèles numériques puissants est essentiel pour évaluer adéquatement l'impact du givre sur le fonctionnement d'une éolienne et sa production annuelle.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
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".