Centrifugal blower optimization using gradient-free approaches and RANS simulation
Notice bibliographique
Résumé
View Video Presentation: https://doi.org/10.2514/6.2023-3313.vid In this study, an optimization approach based solely on open-source libraries is employed to optimize a centrifugal blower (both impeller and housing). Salome, OpenFoam, and Dakota are used for geometry and mesh generation, Computational Fluid Dynamics (CFD) simulation, and optimization, respectively. For the numerical analysis, Reynolds-averaged Navier-Stokes equations with the k-�� SST turbulence model are used. The Latin Hypercube Sampling (LHS) method is used to determine the design points while eleven design variables related to both the impeller and housing are chosen. Then different metamodels, including Artificial Neural Networks (ANN), Efficient Global Optimization (EGO), Gaussian Process (GP), and Multivariate Adaptive Regression Spline (MARS) are built to obtain optimal design. The findings show that GP proposes the best design among metamodels, with maximum efficiency (57.62%) and negligible error (0.12%) when compared to CFD calculation. In order to validate the optimal design from GP, a centrifugal blower is finally fabricated, demonstrating an acceptable agreement between experimental and numerical results
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 ».