Aero-Thermal Shape Optimization for the Discrete Film Cooling of a Turbine Airfoil
Notice bibliographique
Résumé
A multiple-objective shape optimization is implemented for two staggered rows of discrete film cooling holes on the suction surface of a turbine vane. The optimization aims to maximize the film cooling performance while minimizing the corresponding aerodynamic penalty. The cooling performance is assessed using the adiabatic film cooling effectiveness, while the aerodynamic penalty is measured with a mass-averaged total pressure loss coefficient. The conical expansion angle, the compound angle, and the length to diameter ratio of the non-expanded portion of the hole are selected as geometric design variables. The effect of varying the geometric variables on the adiabatic film cooling effectiveness and the aerodynamic penalty is analyzed using the optimization method and three-dimensional Reynolds-averaged Navier-Stokes (RANS) simulations. A non-dominated sorting genetic algorithm (NSGA-II) is coupled with an artificial neural network (ANN) to perform the multiple-objective optimization. RANS simulations are employed to construct the ANN network which produces low-fidelity predictions of the objective functions during the optimization. The Pareto front of optimum solutions is generated. Two optimum designs, denoted as the aerodynamic, and thermal optimums are chosen from the Pareto front and evaluated through RANS simulations. The optimum designs present improved performance in comparison to the reference design, which consists of cylindrical holes.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».