Multifidelity Aeromechanical Design Framework for High Flow Speed Multistage Axial Compressors
Notice bibliographique
Résumé
Abstract The development of novel engine architectures is vital in achieving the aviation sector’s net-zero carbon emission target by 2050. With today’s digital decade providing support for an accelerated technology maturation, the challenge for turbomachinery design remains to significantly push the limits of current performance within an ambitious development lead time. In this context, it is essential to adopt a design framework where the predictive models or simulations employed target a sufficiently reliable performance assessment. These models must be tailored to the dynamics of an evolving industrial design process and therefore continuously balance required design flexibility, robust evaluation, appropriate fidelity (i.e., the level of detail and accuracy they provide), and resulting evaluation time. This article discusses a framework for designing axial compressors and its application to the aeromechanical optimization of a high-speed compressor rotor. The design environment integrates geometry parametrization, a modular evaluation with different levels of fidelity for the aerodynamic and structural models, and surrogate-based optimization (SBO) capabilities. It is shown how the combination of a modular sequencing of the different models and the acceleration enabled by high-performance computing (HPC) and machine learning allows for a more advanced preliminary design. A significant gain in isentropic efficiency is attained while satisfying all structural constraints. At the same time, it is demonstrated that the framework is compatible with the characteristics of the preliminary design phase: both in its ability to adapt to cycle and design changes as well as regarding the turnaround time of the optimization itself.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 ».