An Empirical Prediction Method For Secondary Losses In Turbines—Part II: A New Secondary Loss Correlation
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 new empirical prediction method for design and off-design secondary losses in turbines has been developed. The empirical prediction method is based on a new loss breakdown scheme, and as discussed in Part I, the secondary loss definition in this new scheme differs from that in the conventional one. Therefore, a new secondary loss correlation for design and off-design incidence values has been developed. It is based on a database of linear cascade measurements from the present authors’ experiments as well as cases available in the open literature. The new correlation is based on correlating parameters that are similar to those used in existing correlations. This paper also focuses on providing physical insights into the relationship between these parameters and the loss generation mechanisms in the endwall region. To demonstrate the improvements achieved with the new prediction method, the measured cascade data are compared to predictions from the most recent design and off-design secondary loss correlations (Kacker, S. C. and Okapuu, U., 1982, ASME J. Turbomach., 104, pp. 111-119, Moustapha, S. H., Kacker, S. C., and Tremblay, B., 1990, ASME J. Turbomach., 112, pp. 267–276) using the conventional loss breakdown. The Kacker and Okapuu correlation is based on rotating-rig and engine data, and a scaling factor is needed to make their correlation predictions apply to the linear cascade environment. This suggests that there are additional and significant losses in the engine that are not present in the linear cascade environment.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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