Shape optimization of impingement and film cooling holes on a flat plate using a feedforward ANN and GA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Numerical simulations of a three-dimensional model of impingement and film cooling on a flat plate are presented and validated with the available experimental data. Four different turbulence models were utilized for simulation, in which SST had the highest precision, resulting in less than 4% maximum error in temperature estimation. A simplified geometry with periodic boundary conditions is designed, based on the main geometry, and is used for the optimization procedure. Six geometrical parameters related to impingement and film holes are selected as design variables. To further reduce the time required for optimization, a feedforward neural network is implemented for the function estimation, and 584 CFD observations were performed for randomly generated design points. The data from CFD simulations were fed to network for training and test operations, and the results with good consistency were extracted from the network. The objective of the optimization is to minimize the coolant mass flow rate, subject to maximum temperature and maximum temperature gradient in solid domain being equal to or lower than their values in base design. A genetic algorithm (GA) with 100 population and 50 iterations, coupled with an artificial neural network (ANN), was used for optimization. Finally, the optimum design is simulated numerically to find the exact values of the output parameters. The CFD results for optimum design shows 44% less coolant mass flow rate while both optimization constraints are satisfied. Such a reduction in the coolant flow rate has a huge impact on the overall performance of a typical gas turbine, which is discussed in this paper.
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.
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 découle