High-order accurate direct numerical simulation of flow over a MTU-T161 low pressure turbine blade
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
Reynolds Averaged Navier-Stokes (RANS) simulations and wind tunnel testing have become the go-to tools for industrial design of Low-Pressure Turbine (LPT) blades. However, there is also an emerging interest in use of scale-resolving simulations, including Direct Numerical Simulations (DNS). These could generate insight and data to underpin development of improved RANS models for LPT design. Additionally, they could underpin a virtual LPT wind tunnel capability, that is cheaper, quicker, and more data-rich than experiments. The current study applies PyFR, a Python based Computational Fluid Dynamics (CFD) solver, to fifth-order accurate petascale DNS of compressible flow over a three-dimensional MTU-T161 LPT blade with diverging end walls at a Reynolds number of 200,000 on an unstructured mesh with over 11 billion degrees-of-freedom per equation. Various flow metrics, including isentropic Mach number distribution at mid-span, surface shear, and wake pressure losses are compared with available experimental data and found to be in agreement. Subsequently, a more detailed analysis of various flow features is presented. These include the separation/transition processes on both the suction and pressure sides of the blade, end-wall vortices, and wake evolution at various span-wise locations. The results, which constitute one of the largest and highest-fidelity CFD simulations ever conducted, demonstrate the potential of high-order accurate GPU-accelerated CFD as a tool for delivering industrial DNS of LPT blades.
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