MétaCan
Menu
Retour à la cohorte
Enregistrement W2747472514 · doi:10.1115/gt2017-63401

On the Impact of Simulation Approaches on the Predicted Aerodynamic Damping of a Low Pressure Steam Turbine Rotor

2017· article· en· W2747472514 sur OpenAlexfundno aff
Christopher Fuhrer, Damian M. Vogt

Notice bibliographique

RevueVolume 8: Microturbines, Turbochargers and Small Turbomachines; Steam Turbines · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueTurbomachinery Performance and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesInfrastructure Canada
Mots-clésAerodynamicsFlutterControl theory (sociology)Rotor (electric)AeroelasticityTurbineTurbine bladeStructural engineeringHelicopter rotorEngineeringMechanicsComputer scienceMechanical engineeringPhysics

Résumé

récupéré en direct d'OpenAlex

The determination of the aerodynamic damping is a major task in predicting flutter stability and therefore safety margins for turbine operation. Throughout the current work the energy method is employed to predict the aerodynamic damping for a last stage rotor blade numerically. The focus is put on the prediction of the aerodynamic damping with different traveling wave mode representations and on the influence of the blade fixation at the root. The Fourier transformation-method, the influence-coefficients-method and a direct traveling wave mode calculation are employed. The investigated rotor geometry was taken from the open literature, a root was designed and an iterative process was installed to determine the cold blade geometry. It became apparent, that the influence-coefficients-method is capable of predicting the overall stability curve computationally efficient, whereas the Fourier-transformation-method showed advantages in the identification of the least stable point for a finer mesh. Nevertheless, all methods predicted a potential flutter risk for the current operating point. The influence of the additional blade root with a completely fixed support on the aerodynamic damping is minor.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,122
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,021
Tête enseignante GPT0,224
Écart entre enseignants0,203 · 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 tête enseignante, pas un consensus.

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

Citations10
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVolume 8: Microturbines, Turbochargers and Small Turbomachines; Steam TurbinesMême sujetTurbomachinery Performance and OptimizationTravaux en français237 207