A No-Calibration Approach to Modelling Compressor Blade Rows With Body Forces Employing Artificial Neural Networks
Notice bibliographique
Résumé
Abstract Body force modelling in numerical simulations of axial compressors and fans has been used extensively in the literature to assess aerodynamic performance in uniform and non-uniform flow at relatively low computational cost. Existing approaches require calibration or, in the case of purely analytical models, are unable to accurately predict losses. It can also be challenging to capture the chordwise loading distribution with existing analytical models. This paper introduces a new body force modelling approach in which blade loading is computed using an isolated-airfoil, analytical model supplemented by a trained artificial-neural-network-based correction factor for finite pitch effects. The loading model is derived from potential flow theory and accounts for both camber and thickness effects; it captures both the overall and local loading. The approach is currently implemented for low-Mach number (incompressible) flows. The body forces causing flow turning derive directly from the corrected loading model. Forces arising from viscous losses are modeled by solving the integral boundary layer equations along streamlines within blade rows based on the fictitious edge velocities computed by the loading model. The viscous loss force is a function of the local dissipation coefficients. The approach is implemented within a traditional finite-volume computational fluid dynamics solver. In this paper, the application is limited to 2D cascades. To assess the approach, results from the body force model are compared to blade-to-blade solutions from MISES. The key findings are (1) that a relatively modest set of training data for the neural network produces a robust finite pitch correction, and (2) that the modelling approach is able to successfully capture the flow turning and losses associated with a variety of low-speed compressor cascades without any calibration specific to the blade row(s) being modeled.
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 | 0,001 |
| 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 ».