MétaCan
Menu
Retour à la cohorte
Enregistrement W2144271433 · doi:10.2514/1.b35000

Prediction of Noise Sources in Axial Compressor from URANS Simulation

2014· article· en· W2144271433 sur OpenAlexafffund
Jérôme de Laborderie, Laurent Soulat, Stéphane Moreau

Notice bibliographique

RevueJournal of Propulsion and Power · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueAerodynamics and Acoustics in Jet Flows
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCompute Canada
Mots-clésStatorRotor (electric)Axial compressorWakeGas compressorNoise (video)TurbulenceMechanicsAcousticsComputational fluid dynamicsPhysicsFlow (mathematics)Aerospace engineeringEngineeringMechanical engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

As part of a larger aeroacoustic study focused on rotor–stator interaction noise, the unsteady flow in a single-stage axial compressor is achieved by a numerical Reynolds-averaged Navier–Stokes simulation. The flowfield is precisely analyzed and assessed by comparing it with available experimental and numerical data. Specifically, the rotor wakes correctly agree with previous laser Doppler anemometry measurements. The unsteady flow, especially the potential effects created by the stator vanes, is then investigated, showing that the stator potential field is responsible for a major secondary tonal noise source on the rotor blades. The rotor wake velocity and turbulent content correspond to the excitations for tonal and broadband noise, respectively. They are greatly influenced by the vane potential effects and, to a lesser extent, by their convection with the mean flow. Two methods of extraction are surveyed along the whole span, showing the need to consider the blockage induced by the stator on the wakes. Finally, the realistic tonal acoustic sources of rotor–stator interaction extracted in time on the stator vane surfaces show a noise mechanism mainly driven by the leading edge and some significant variations from hub to tip.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,209
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Propulsion and PowerMême sujetAerodynamics and Acoustics in Jet FlowsTravaux en français237 207