On the Use of Blades Stagger and Stacking in Turbine Stage Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The flow in modern turbines is highly three dimensional and fairly complex. This paper presents a practical and effective optimization approach to minimize 3D-related flow losses by re-staggering and re-stacking the blades. This approach is applied to the redesign of a low speed high subsonic single stage turbine, that was designed and tested in Hannover, Germany. The optimization is performed at the design point and the objective function is given by a weighted sum of individual objectives, namely stage efficiency and streamwise vorticity downstream of the rotor and stator, and is penalized with one constraint, namely the design mass flow rate. A Genetic Algorithm (GA) is coupled with a Response Surface Approximation (RSA) of the Artificial Neural Network (ANN) type. A relatively small data set of high fidelity 3D flow simulations that is obtained using Fluent, is used to train and test the ANN model. The variation of stagger angle and stacking are parametrically represented using a quadratic rational Bezier curve (QRBC). The QRBC parameters are directly related to the design variables, namely the rotor and stator lean & sweep angles, and their stagger distribution. Moreover, it results in eliminating infeasible shapes and in reducing the number of design variables to a minimum while providing a wide design space for the blade shape. This optimization approach results in an improvement of 1.74% to 1.91% in stage efficiency. This optimization approach is found to be helpful in understanding the physical implications of the design variables and in interpreting their effect on the stage performance.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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