MétaCan
Menu
Retour à la cohorte
Enregistrement W4403851853 · doi:10.1115/1.4067033

Loss Breakdown in Axial Turbines: A New Method for Vortex Loss and Wake Detection From 3D RANS Simulations

2024· article· en· W4403851853 sur OpenAlexaff
Greta Raina, Yannick Bousquet, David Luquet, Eric Lippinois, Nicolas Binder

Notice bibliographique

RevueJournal of Turbomachinery · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueTurbomachinery Performance and Optimization
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesAssociation Nationale de la Recherche et de la Technologie
Mots-clésReynolds-averaged Navier–Stokes equationsWakeVortexMechanicsWake turbulenceAerospace engineeringComputational fluid dynamicsMaterials sciencePhysicsMarine engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract To enhance turbine efficiency, it is essential to mitigate the loss generated by irreversible phenomena taking place in turbine flows, including boundary layers, shock waves, vortices, and trailing edge wakes. A fast and accurate detection of losses is therefore crucial from the earliest stages of turbine design, in which reduced order models based on oversimplified correlations are employed. Achieving this objective requires a deep comprehension of the physics behind each loss-generating mechanism, a goal attainable through the examination of the 3D flow. While existing criteria allow the identification of various phenomena, accurately quantifying losses generated by vortices remains a challenge: these losses frequently extend beyond the vortical structure. The aim of this paper is to provide a straightforward and effective approach to localize and assess vortex-related losses. This method is grounded in Zlatinov’s decomposition of the entropy generation rate equation into a streamwise and a secondary flow component. A criterion based on the vortex kinematics is used to evaluate the strength of the vortex, thereby enabling the determination of its spatial influence and its contribution to the overall losses. To validate the method, a post-processing code is developed which allows to perform loss breakdown. This tool makes use of existing identification criteria and some new techniques introduced within this work, especially for wake detection. 3D Reynolds-averaged Navier–Stokes simulations are carried out on several configurations, ranging from simple curved ducts to more realistic nozzle guide vanes, to gradually test and validate the computational tool. Results confirm that the highest rates of entropy generation occur outside of the vortical structure, and show good ability to identify both the vortex shape and its area of influence in terms of losses. A drastic improvement in the prediction of vortex losses is especially observed in the case of turbine blades with tip or hub leakage vortices.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,401
Score d'incertitude au seuil0,758

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,260
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of TurbomachineryMême sujetTurbomachinery Performance and OptimizationTravaux en français237 207