MétaCan
Menu
Retour à la cohorte
Enregistrement W2014546172 · doi:10.1115/gt2014-25753

An Efficient Component Map Generation Method for Prediction of Gas Turbine Performance

2014· article· en· W2014546172 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueVolume 6: Ceramics; Controls, Diagnostics and Instrumentation; Education; Manufacturing Materials and Metallurgy · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueTechnical Engine Diagnostics and Monitoring
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésGas compressorOperabilityComputer scienceTurbineHigh fidelityPerformance predictionGas turbinesRange (aeronautics)Component (thermodynamics)Reliability engineeringAutomotive engineeringEngineeringSimulationMechanical engineeringAerospace engineering

Résumé

récupéré en direct d'OpenAlex

Improving efficiency, reliability and availability of gas turbines have become more than ever one of the main areas of interest in gas turbine research. This is mainly due to the stringent environmental regulations that have to be met in such a mature technology sector; and consequently new research challenges have been identified. One of these involves the establishment of high fidelity, accurate, and computationally efficient engine performance simulation, diagnosis and prognosis technology. Performance prediction of gas turbines is strongly dependent on detailed understanding of the engine component behaviour. Compressors are of special interest because they can generate all sorts of operability problems like surge, stall and flutter; and their operating line is determined by the turbine characteristic. Compressor performance maps, which are obtained in costly rig tests and remain manufacturers proprietary information, impose a stringent limitation that has been commonly resolved by scaling default generic maps in order to match the targeted off-design or engine degraded measurements. This approach is efficient in small range of operating conditions but becomes less accurate for a wider range of operations. In this paper, a novel compressor map generation method, with the primary objective of improving the accuracy and fidelity of the engine model performance prediction is developed and presented. A new compressor map fitting and modelling method is introduced to simultaneously determine the best elliptical curves to a set of compressor map data. The coefficients that determine the shape of compressor maps’ curves have been analyzed and tuned through a multi-objective optimization algorithm in order to meet the targeted set of measurements. The proposed component map generation method is developed in the object oriented Matlab/Simulink environment and is integrated in a dynamic gas turbine engine model. The accuracy of this method is evaluated for off-design steady state and transient engine conditions. The proposed compressor map generation method has the capability to refine current gas turbine performance prediction approaches and to improve model-based diagnostic techniques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,453
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,227
Écart entre enseignants0,219 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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