Quantification of Autoignition Risk in Aeroderivative Gas Turbine Premixers Using Incompletely Stirred Reactor and Surrogate Modeling
Notice bibliographique
Résumé
Abstract The design and operation of premixers for gas turbines must deal with the possibility of relatively rare events causing dangerous autoignition (AI). Rare AI events may occur in the presence of fluctuations of operational parameters, such as temperature and fuel composition, and must be understood and predicted. This work presents a methodology based on incompletely stirred reactor (ISR) and surrogate modeling to increase efficiency and feasibility in premixer design optimization for rare events. For a representative premixer, a space-filling design is used to sample the variability of three influential operational parameters. An ISR is reconstructed and solved in a postprocessing fashion for each sample, leveraging a well-resolved computational fluid dynamics solution of the non-reacting flow inside the premixer. Via detailed chemistry and reduced computational costs, ISR tracks the evolution of AI precursors and temperature conditioned on a mixture fraction. Accurate surrogate models are then trained for selected AI metrics on all ISR samples. The final quantification of the AI probability is achieved by querying the surrogate models via Monte Carlo sampling of the random parameters. The approach is fast and reliable so that user-controllable, independent variables can be optimized to maximize system performance while observing a constraint on the allowable probability of AI.
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 ».