Thrust Rebalance to Extend Engine Time On-Wing With Consideration of Engine Degradation and Creep Life Consumption
Notice bibliographique
Résumé
Abstract Over the years, airlines have consistently attempted to lower their operational costs and improve aircraft availability by applying various technologies. Engine maintenance expenses are one of the most substantial costs for aircraft operations, accounting for around 30% of overall aircraft operational costs. So, maximizing aircraft time between overhaul is crucial to lowering the costs. The engine time on-wing is often limited by the expiration of Life Limiting Parts, performance deterioration, maintenance schedule, etc. This paper presents a novel method of rebalancing the thrust of engines of an aircraft to maximize the time between overhauls of the aircraft considering the performance degradation and creep life consumption of the engines. The method is applied to a model aircraft fitted with two model engines similar to GT90 115B to test the feasibility of the method with one engine degraded and the other engine undegraded. The obtained results demonstrate that for the aircraft flying between London and Toronto with 5,000 nominal flight cycles given to the engines, the time on-wing of the degraded engine could drop from 5,000 to 2,460 flight days due to its HP turbine degradation (1% efficiency degradation 3% flow capacity degradation), causing the same level of drop of time between overhauls of the aircraft. The time on-wing of the degraded engine could increase from 2,460 flight days without thrust rebalance to 3,410 flight days with thrust rebalance, i. e. around 38.6% potential improvement for the time between overhauls of the aircraft at the expenses of increased creep life consumption rate of the clean engine. The proposed method could be applied to other aircraft and engines.
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 ».