Feature Based and Goal Oriented Mesh Adaptation for High Pressure Turbines Applications
Notice bibliographique
Résumé
This paper shows the benefits of anisotropic mesh adaptation on aerothermic performances prediction of a complex component: a film cooled blade of a turbine stage. The inlet high pressure turbine temperature is increasing year after year and nowadays it is more important than ever to predict correctly the heat flux in order to forecast the life-cycle of the component. Film cooled turbines geometries are very complex and as a result it is almost impossible to mesh them with classical multi-block hexahedral meshing methods. For this reason, flexible tetrahedral meshes are more suitable. Discretization error (along with geometric error and modeling error) strongly impacts the evaluation of turbine performances. This leads to inaccurate prediction of aerothermic coefficients, if the error is not properly controlled. The legacy simulation process relies heavily on a priori knowledge of the physics (position of coherent features of the flow-field), resulting in handly crafted meshes and not automatized working chain. By exploiting the flexibility of the tetrahedral elements and containing the discretization error, metric-based anisotropic mesh adaptation appears to be a suitable technology. In this work, two different strategies of error estimate will be considered: feature-based and goal-oriented. The former relies on the standard multiscale $L^p$ interpolation error for a given feature. The latter controls the error on an engineering functional, which requires the computation of the adjoint state. Goal-oriented mesh adaptation, using the heat flux as functional, exhibits the same level of accuracy as the feature-based approach, with fewer number of points. The impact of the discretization error on aerothermic performances prediction will be discussed.
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 ».