Aerodynamic Shape Optimization of Turbine Blades Using a Design-Parameter-Based Shape Representation
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
Currently, most shape optimization activities for 2D blade sections focus on modifying the blade shape locally to get an optimum one, which implicitly assumes that the global shape is near optimum. Moreover, the common design parameters in most cases are not the variables used in shape optimization, hence the designer does not have control over the parameters that he or she uses in the design. In this work, the turbine blade shape at any given radial location, is represented with the MRATD model (Modified Rapid Axial Turbine Design), which is a low-order representation that describes the blade profile using a maximum of 17 aerodynamic design parameters that are given (and used) by the turbine designer, e.g. the blade axial chord, stagger, maximum thickness, throat, uncovered turning, inlet and exit blade and wedge angles, LE and TE radii etc... This representation is used in an optimization scheme to sweep the design space and identify the design parameters that would accomplish a certain optimization objective (e.g. maximum adiabatic efficiency) subject to some constraints (e.g. fixed throat area or minimum TE radius or maximum TE wedge angle or metal angles etc...). The optimization scheme uses evolutionary optimization algorithm, Genetic Algorithm(GA) and, to save computing time, Artificial Neural Network (ANN) is introduced to approximate the optimization objectives and constraints; it is trained and tested using a relatively small number of high fidelity CFD flow simulations. This approach to geometry representation is used to carry out a sensitivity study of the effect of the different design parameters on the blade performance of a highly efficient subsonic turbine blade. Its impact on the design process is also demonstrated.
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