Application of a General Discrete Adjoint Method for Draft Tube Optimization
Notice bibliographique
Résumé
Abstract Automatic optimization is becoming increasingly important in turbomachinery design to improve the performance of machine components and Evolutionary Algorithms (EAs) play a very important role in this task. The main drawback of EAs is the large number of evaluations that are required to obtain an “optimal” result. Consequently, in order to keep the computational time in an affordable frame for design purposes, either the mesh size has to be limited, thus reducing the resolution of the flow phenomena, or the number of free parameters must be kept small. Adjoint optimization does not suffer from these restrictions, i.e. the optimization time is not affected by the number of parameters. The computational effort for the adjoint method scales only with the grid size and is usually in the range of two times the CFD simulation alone. In this paper, a discrete adjoint method based on a coupled pressure based RANS solver is presented and applied to draft tube optimization. The adjoint solver is general and can therefore deal with any turbulence model supported by the CFD solver as well as any boundary condition, including mixing planes and mesh interfaces needed for multi-stage simulations. Furthermore, there is no restriction on the choice of objective function. The adjoint method is first applied to a baseline draft tube geometry and then again to its EA optimized geometry where the objective function was the minimization of losses in the draft tube. To reduce the complexity for this proof of concept but still including multiple operating points in the optimization, only peak efficiency and full-load were optimized simultaneously. The adjoint optimization can significantly improve the draft tube performance in both cases (baseline and EA optimization). The interplay between local and global optimization seems to be a promising strategy to find optimal geometries for multi-operating point/multi-objective optimization and will be further investigated in subsequent research.
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 ».