Effect of inflow conditions on transonic turbine airfoil limit loading
Notice bibliographique
Résumé
To better understand airfoil limit loading and the effect inflow conditions have on local efficiency, a computational fluid dynamic investigation was performed for four different transonic turbine airfoils under sub-critical, critical, and supercritical conditions. A computational baseline was established using data previously collected at the Pratt and Whitney Canada High-Speed Wind Tunnel at Carleton University near design conditions using the Reynolds-Averaged Naiver-Stokes shear stress transport k − ω turbulence model with γ transition. The effects of inflow conditions on aerodynamic performance were examined by varying incidence by ± 20°, mainstream turbulence intensity from 5 to 20% and mainstream turbulent length scale from 1 to 100% of the airfoil pitch. Quantitative data of mass-flow averaged Mach numbers, mass-flow averaged flow angles, surface isentropic Mach number distributions and mass-flow averaged total pressure loss coefficients were collected and are presented alongside flow visualizations of numerical Schlieren images to allow for a detailed description of the entire flow domain. Similar to previous experimental work the limit loading pressure ratio and the mass-flow averaged outlet flow angle were strongly correlated with the airfoil outlet metal angle. The influence of inflow conditions was minimal on the exit flow profile with the exception of the mass-flow averaged total pressure loss coefficients. Results show incidence variation to change the total pressure loss coefficient depending on the airfoil, whereas, turbulence intensity and turbulent length scale predicted a drastic increase in loss with increased turbulence level for all airfoils considered.
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 | 0,000 |
| 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 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 ».