Analysis and Optimisation of an Ejector Ramjet using CFD and a 1D Control Volume Solver
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2023-3302.vid Analysis and optimisation of an ejector ramjet using computational fluid dynamics and a quasi-one-dimensional control volume solver are presented. Results of the quasi one-dimensional solver (with combustion modelled using volume heat sources) are compared to experimental results. The quasi-one-dimensional solver is able to capture the primary physics involved in an ejector ramjet with reasonable accuracy while maintaining a short computation time. The quasi-one-dimensional solver was then paired with a non-dominant sorting genetic algorithm to perform a multi-objective optimisation to maximise the engine thrust and ISP with a fixed combustor diameter of 0.254 m. Results are promising, with engine thrust ranging from 100 N to 1500 N for ISPs ranging from 1400 s to 400 s for ethane and propane fuels. Quasi one-dimensional solver results for one optimised engine are compared to CFD results, which show that the results from the quasi-one-dimensional solver are reasonably accurate. The performance of two optimised engines is presented over a given flight profile to observe thrust and ISP from take-off to cruise. Finally, a sensitivity analysis of thrust and ISP to optimisation variables was conducted. Engine thrust and ISP were found to be most sensitive to fuel nozzle exit area to throat area, fuel jet stagnation pressure, fuel jet nozzle exit area, combustor diameter, and engine nozzle exit diameter.
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 ».