Multidisciplinary Design and Optimizations of Swept and Leaned Transonic Rotor
Notice bibliographique
Résumé
Optimization problems in many engineering applications are usually considered as complex subjects. Researchers are often obliged to solve a multi-objective optimization problem. Several methodologies such as genetic algorithm (GA) and artificial neural network (ANN) are proposed to optimize multi-objective optimization problems. In the present study, various levels of sweep and lean were exerted to blades of an existing transonic rotor, the well-known NASA rotor-67. Afterward, an ANN optimization method was used to find the most appropriate settings to achieve the maximum stage pressure ratio, efficiency, and operating range. At first, the study of the impact of sweep and lean on aerodynamic and performance parameters of the transonic axial flow compressor rotors was undertaken using a systematic step-by-step procedure. This was done by employing a three-dimensional (3D) compressible turbulent model. The results were then used as the input data to the optimization computer code. It was found that the optimized sweep angles can increase the safe operating range up to 30% and simultaneously increase the pressure ratio and subsequently the efficiency by 1% and 2%. Moreover, it was found that the optimized leaned blades, according to their target function, had positive (forward (FW)) or negative (backward (BW)) optimized angles. Leaning the blade at the optimum point can increase the safe operating range up to 12% and simultaneously increase the pressure ratio and subsequently the efficiency by 4% and 5%.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».