Single and Multipoint Shape Optimization of Gas Turbine Blade Cascades
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
*† A multipoint shape optimization method for the aerodynamic performance of gas turbine blade cascades is presented and is applied to the design of a transonic and a subsonic compressor rotor. The optimization method uses a Genetic Algorithm (GA), which is combined with an Artificial Neural Network (ANN) that uses a back propagation algorithm, so as to design two-dimensional gas turbine cascades. The ANN is used to build a low fidelity model that approximates the optimization objective and constraints. The latter are to achieve a better aerodynamic performance over the full operating range of gas turbine cascades by varying the blade profile, which is described by the blade camber line and thickness distribution. The blade geometry is parameterized using a Non-Rational B-Splines (NURBS) representation. To reduce computation time the optimization scheme was parallelized on an SGI 2000 computer using Message Passing Interface (MPI). The cascade aerodynamic performance, which is used in computing the objective function and in training/testing the ANN, is determined by solving the two-dimensional Reynolds-Averaged Navier-Stokes equations using a cell-vertex finite volume method on an unstructured triangular mesh and turbulence is modeled using the Baldwin-Lomax model. The chosen objective function and optimization methodology results in a significant improvement in terms of efficiency and pressure ratio, and the use of ANN results in a ten-fold speed-up of the design process.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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