Off-Design Prediction of Transonic Axial Compressors: Part 1 — Mean-Line Code and Tuning Factors
Notice bibliographique
Résumé
With yearly advances in CFD techniques and methodologies, and the increased capacity and capabilities of computer CPU, GPU, and information storage, CFD has become a powerful design tool. However, despite its vast strengths, a CFD analysis is still based on the sound development of the 1D mean-line analysis methodology. This paper (part 1 of 2) describes an off-design axial compressor mean-line code, tested in a specialized engineering software for the development and analysis of a whole gas turbine engine, and the various tuning factors used to obtain an off-design performance match. It will be shown that, to obtain a proper match of the off-design performance of single-stage transonic axial compressors, both the rotor and stage pressure ratio, and the rotor temperature ratio are required to be converged upon. To do so, the off-design mean-line analysis requires the incorporation of a set of inlet & exit blockage factors and deviation angles that vary with the compressor performance conditions. This approach differs from the literature-based procedural assumptions (or rule-of-thumb) of fixed inlet and exit blockage factors of approximately “0.98”, and the use of a unique deviation angle based on Carter’s rule. The results obtained in this paper are then used to develop a generalized off-design mean-line loss modelling methodology (part 2 of 2) capable of predicting the off-design performance of four well documented NASA transonic axial compressors.
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 ».