RANS prediction of the aerodynamic losses in a linear turbine cascade with an upstream cavity and a purge flow
Notice bibliographique
Résumé
In a turbomachinery, gaps separate mobile and fixed parts of the hub. In the case of a turbine, often a purge flow is blown through these gaps in order to seal and avoid hot gas to penetrate deep in the turbine disk components and over-solicit them. The interaction of this purge flow with the main flow creates and amplifies vortex structures, responsible for pressure losses. Accurately predicting the aerodynamic losses could allow the design of an efficient cavity geometry and the choice of a purge mass flow that minimises the losses while ensuring the sealing of the cavity. The Boussinesq approximation fails in such flows where a high turbulence level and anisotropy are present. Therefore, in RANS, the use of two-equation linear eddy-viscosity turbulence models is questionable. The present work proposes to assess a second order Reynolds Stress model as well as two eddy-viscosity models in a linear turbine cascade with an upstream cavity from which a purge flow emanates. The specificity of the cascade is the high external turbulence intensity (6%) which is all the more challenging in a RANS approach. Different purge mass flows and three configurations are evaluated: two with different cavities and one without any. The RANS simulations are compared to experimental data and high fidelity large eddy simulations. The RANS RSM simulation shows the best agreement with the measurements and all the RANS models show the same trends: the presence of a cavity induces additional pressure losses; increasing the purge mass flow helps to seal the cavity entry but nourishes the passage vortex and thus leads to additional losses. Finally, the high external turbulence intensity distinguishes the RSM model which accurately reproduces the vortex structures while eddy-viscosity models over-predict the turbulent diffusion.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».