Automated Preliminary Structural Rotor Design Using Genetic Algorithms and Neural Networks
Notice bibliographique
Résumé
It is important for any design process to have a good starting point in order to reduce the cycle time and the number of design iterations required. This paper presents an automated preliminary structural design system for a gas turbine rotor, using only preliminary aerodynamic data and a simplified structural analysis, with the objective of producing a good, feasible starting solution for the blades and the disc. The process starts with a CBR (case-based reasoning) algorithm coupled with a databank of existing solutions. The algorithm uses a neural network to choose from among the closest existing rotor solutions and interpolate between them. These designs, along with the interpolated solution, will constitute the initial set of possible designs. An adaptation algorithm then processes each possible design using simplified analysis to compute the estimated sensitivity of the design function with respect to each parameter in the neighbourhood of these design solutions. The algorithm uses those sensitivities to separate the design parameters into several layers according to their relative importance. In a following phase, these design solutions are used to train a surrogate neural network model for the function, and also as the starting population for a genetic algorithm (GA). The GA is then run, with the objective of minimizing the weight of the rotor while respecting stress and aerodynamics constraints. More parameter sets (beginning with the most important) are gradually added as an input for each GA run. Although this process would not be capable of replacing a detailed design system, as it currently uses only simplified analysis, it can provide a concept designer with a very good starting solution within a relatively short computing time.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».