A Strategy for Multi-Point Shape Optimization of Turbine Stages in Three-Dimensional Flow
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
This paper presents an effective and practical shape optimization strategy for turbine stages so as to minimize the adverse effects of three-dimensional flow features on the turbine performance. The optimization method combines a genetic algorithm (GA), with a Response Surface Approximation (RSA) of the Artificial Neural Network (ANN) type. During the optimization process, the individual objectives and constraints are approximated using ANN that is trained and tested using a few three-dimensional CFD flow simulations; the latter are obtained using the commercial package Fluent. The optimization objective is a weighted sum of individual objectives such as isentropic efficiency, streamwise vorticity and is penalized with a number of constraints. To minimize three-dimensional effects, the stator and rotor stacking curves are taken as the design variable. They are parametrically represented using a quadratic rational Bezier curve (QRBC) whose parameters are related to the blade lean, sweep and bow, which are used as the design variables. The described strategy was applied to single and multipoint optimization of the E/TU-3 turbine stage. This optimization strategy proved to be successful, flexible and practical, and resulted in an improvement of around 1% in stage efficiency over the turbine operating range with as low as 5 design variables. This improvement is attributed to the reduction in secondary flows, in stator hub choking, and in the transonic region and the associated flow separation.
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