A New Loss Generation Body Force Model for Fan/Compressor Blade Rows: Application to Uniform and Non-Uniform Inflow in Rotor 67
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
Abstract Despite advances in computational power, the cost of time-accurate flows in axial compressor and fan stages with spatially non-uniform inflow is still too high for design-stage use in industry. Body force modeling reduces the computation time to practical levels, mainly by reducing the problem to a steady one. These computations are important to determine efficiency penalties associated with non-uniform inflows. Previous studies of body force methods have, in most cases, relied on computations with the presence of the blades to calibrate loss models. In some recent studies, uncalibrated models have been used, but such models can drop off in accuracy at conditions where separation would occur on the blade surfaces. In this paper, a neural-network-based loss model introduced in a recent paper by the authors is implemented for NASA rotor 67 for both uniform and non-uniform inflow conditions. For uniform inflow, the spanwise trend of entropy variation is generally captured with the new body force model. Although there are discrepancies at some span fractions, the present model generally predicts the compressor’s isentropic efficiency to within 3% compared to bladed Reynolds-averaged Navier–Stokes simulations. For non-uniform inflow, we consider a stagnation pressure profile representative of boundary layer ingestion. The results show that the region of maximum entropy generation is captured by the present model and the prediction of isentropic efficiency penalty due to the non-uniform inflow is only 0.2 points less than that determined from bladed computations.
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 | 0,001 |
| 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 découle