Aero-Thermal Optimization and Experimental Verification for the Discrete Film Cooling of a Turbine Airfoil
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
The optimization aims to maximize the film cooling performance while minimizing the corresponding aerodynamic penalty. The film cooling performance is assessed using the adiabatic film cooling effectiveness, while the aerodynamic penalty is measured with a mass-averaged total pressure loss coefficient. Two design variables are selected; the coolant to mainstream temperature ratio and total pressure ratio. Two staggered rows of discrete cylindrical film cooling holes on the suction surface of a turbine vane are considered. The effect of varying the coolant flow parameters on the adiabatic film cooling effectiveness and the aerodynamic loss is analyzed using the optimization method and three-dimensional Reynolds-averaged Navier-Stokes (RANS) simulations. The CFD predictions of the adiabatic film cooling effectiveness and aerodynamic performance are assessed and validated against corresponding experimental measurements. The optimal solutions are reproduced in the experimental facility and the Pareto front is substantiated with experimental data. A non-dominated sorting genetic algorithm (NSGA-II) is coupled with an artificial neural network (ANN) to perform a multiple objective optimization of the film coolant flow parameters on the suction surface of a high pressure gas turbine vane. The numerical predictions are employed to construct the artificial neural network that produces low-fidelity predictions of the objectives during the optimization. The Pareto front of optimal solutions is generated by the optimization methodology.
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