Aero-Structural Optimization of an Axial Turbine Stage 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 a simple, effective and practical shape optimization approach for axial turbine stages so as to minimize the three-dimensional flow losses and simultaneously improve the turbine structural properties. The main objectives of the optimization are to maximize the stage efficiency and simultaneously minimize the von Mises stress while constraining the design mass flow rate and the blade first natural frequency. The stacking curve, which controls three-dimensional flow effects and the spanwise stress distribution is parametrically represented by a quadratic rational Bezier curve (QRBC). The parameters of this QRBC are related to the design variables namely the blade lean, sweep and bow. The optimization method combines a Multi-Objective Genetic Algorithm (MOGA), with a Response Surface Approximation (RSA) of the Artificial Neural Network (ANN) type. During the optimization process, each objective function and constraint is approximated by an individual ANN, which is trained and tested using an aerodynamic as well as a structure database composed of a few high fidelity flow simulations (CFD) and structure analysis (CSD) that are obtained using AN-SYS Workbench 2.0. This methodology was then applied to the aero-structural optimization of the E/TU-3 turbine stage at design conditions and proved quite successful, flexible and practical, and resulted in an 0.8% improvement in stage efficiency and about 50% reduction in the maximum von Mises stresses. This improvement was accomplished with as low as five design variables, which is remarkable considering the problem complexity.
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) | 0,001 | 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