Design of Low-Speed Cascades for Investigating Viscous Effects in High-Speed Axial Turbines
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
For turbine flow phenomena which are dominated by viscous effects, many valuable insights into the flow physics can be gained through low-speed cascade measurements. For example, for low-pressure turbines unsteady wake-blade interactions can be investigated in cascade provided that the Reynolds number, freestream turbulence conditions and the pressure coefficient distributions are the same in the cascade as in the high-speed counterpart. This paper describes an iterative procedure for inversely designing low-speed linear cascades with prescribed blade pressure-coefficient distributions. The inverse-design problem is treated as an optimization problem. The optimization strategy features the use of a genetic algorithm and a gradient-type algorithm. At the end of each global iteration of the design procedure a Navier-Stokes analysis is used to see if the final cascade geometry gives the specified pressure-coefficient distribution to the desired degree of accuracy. Although the resulting cascade may be designed to the level of accuracy afforded by the Navier-Stokes analysis, the method takes advantage of the fact that the pressure distribution in the low-speed cascade can be predicted with good accuracy and very rapidly using a panel method solution for the potential flow through the cascade. A panel method flow solver is used to minimize the number of Navier-Stokes evaluations to three or four for a given inverse-design problem. As a result, the present procedure is very efficient.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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