MARC

 008250123s2024        us                              c    eng  d
■001000017164206
■00520250211152933
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798896077923
■035    ▼a(MiAaPQ)AAI31562887
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.1
■1001  ▼aDavis,  McKenna.
■24510▼aElectrospray  Plume  Evolution  and  Divergence
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a285  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Wirz,  Richard  E.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aElectrospray  thrusters  require  significant  improvements  in  operational  lifetime  for  use  inmulti-year  spacecraft  propulsion  missions.  The  primary  thruster  lifetime-limiting  mechanismis  propellant  overspray,  in  which  wide-angle  particles  impinge  on  and  saturate  downstreamelectrodes  instead  of  exiting  through  the  electrode  aperture  and  contributing  to  producedthrust.  Electrospray  particles  are  emitted  within  a  small  radial  range,  but  diverge  as  theymove  downstream  from  emission  to  form  a  3D  plume,  the  edges  of  which  contribute  tooverspray.  In  order  to  improve  electrospray  thruster  designs  towards  minimizing  oversprayand  optimizing  operational  lifetime,  we  need  to  understand  what  causes  electrospray  plumedivergence.This  dissertation  investigates  electrospray  plume  divergence  using  the  Discrete  ElectrosprayLagrangian  Interaction  (DELI)  Model  to  simulate  electrospray  particle  dynamics.  Thegoverning  equation  for  particle  propagation  includes  the  applied  electrostatic  force  from  thepotential  difference  between  the  emitter  and  downstream  electrode,  the  Coulomb  forcesbetween  particles  (including  image  charges),  and  the  drag  force.  Each  of  these  forces  is  investigatedtheoretically  and  computationally  to  determine  its  influence  on  plume  divergence.None  of  the  forces  introduce  radial  divergence  into  a  set  of  particles  emitted  straight  down  the  axis  of  emission  with  no  range  in  radial  coordinate.  However,  electrospray  particles  are  always  emitted  with  some  small  range  in  radial  coordinate  due  to  hydrodynamic  instabilitiesand  minute  asymmetries  in  the  emitter.  All  three  forces  exacerbate  existing  radial  divergenceamong  a  set  of  particles:  the  applied  electric  field  has  a  radial  component  due  to  jetcurvature  and  the  electrode  aperture;  there  is  a  radial  component  to  Coulomb  forces  betweenparticles  with  a  difference  in  radial  coordinate;  and  drag  counters  particle  motion,  keepingparticles  in  a  clustered  state  in  which  Coulomb  forces  are  magnified.Simulations  compare  the  radial  divergence  of  groups  of  particles  with  equal  velocities  andwith  an  upstream  velocity  gradient,  in  which  upstream  particles  are  moving  faster  than  theirforward  neighbors.  In  the  upstream  velocity  gradient  case,  faster  particles  catch  up  to  theirforward  neighbors,  magnifying  the  Coulomb  interaction  between  the  two  in  response  to  theirincreased  proximity.  We  term  this  interaction  a  'traffic  jam'  and  correlate  it  with  increasedplume  divergence  through  Coulomb  interactions.  We  present  two  novel  means  of  characterizingplume  divergence:  1)  a  metric  for  positional  divergence  based  on  three  standards  of  aGaussian  or  Super-Gaussian  fit  to  particle  mass  density  distribution  as  a  function  of  radialcoordinate,  and  2)  emittance  as  a  metric  for  positional  and  velocity  divergence.  We  furtherdescribe  how  emittance  can  be  used  to  identify  when  an  electrospray  plume  has  reached  thesteady  state.Machine  learning  is  applied  for  the  first  time  to  electrospray  particle  dynamics  data,produced  by  the  DELI  Model.  Results  demonstrate  predictive  abilities  for  downstreamparticle  dynamic  properties  given  particle  properties  at  emission.  Furthermore,  a  novelmethod  is  proposed  for  combining  experimental  electrospray  particle  data,  computationalplume  evolution  models,  and  machine  learning  algorithms  to  optimize  diagnostic  design.In  summary,  this  dissertation  presents  a  comprehensive  consideration  of  electrosprayplume  divergence  using  computational  and  analytical  models  supported  by  experimentaldata.  The  origins  and  sources  of  growth  of  electrospray  plume  divergence  are  identified,  new  metrics  for  electrospray  plume  divergence  are  presented,  and  machine  learning  algorithmsare  developed  to  predict  electrospray  plume  divergence.In  summary,  this  dissertation  presents  a  comprehensive  consideration  of  electrosprayplume  divergence  using  computational  and  analytical  models  supported  by  experimentaldata.  The  origins  and  sources  of  growth  of  electrospray  plume  divergence  are  identified,  new  metrics  for  electrospray  plume  divergence  are  presented,  and  machine  learning  algorithmsare  developed  to  predict  electrospray  plume  divergence.
■590    ▼aSchool  code:  0031.
■650  4▼aAerospace  engineering
■653    ▼aComputational  fluid  dynamics
■653    ▼aData  science
■653    ▼aElectrospray
■653    ▼aMachine  learning
■653    ▼aSpacecraft  propulsion
■690    ▼a0538
■71020▼aUniversity  of  California,  Los  Angeles▼bAerospace  Engineering  0279.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164206▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서