Application of Digital Twin Technology to Aeronautical Combustion: A Case Study on Hydrogen Microinjectors
Notice bibliographique
Résumé
Abstract The rise of alternative fuels leads to numerous new possible types of injection technology for gas turbine combustion. One promising candidate is microinjection, which relies on the creation of multiple miniaturized flamelets in order to reduce NOx production. From a design and engineering perspective, new sets of tools of various fidelity are needed to make the design screening step faster and more exhaustive. A reduced-order model (ROM) based on the OpenMeasure library and NEXT STEP has been implemented in order to create a digital twin of hydrogen micro-injectors. The ROM is based on either Sparse Sensing or Kriging methodology, both involving a Proper Orthogonal Decomposition. This approach has been carried out on 26 designs, where several geometrical parameters (e.g. number of fuel injection holes, aspect ratio, etc.) and operating conditions (i.e. atmospheric and high pressure, equivalence ratio, and fuel mass flow rate) are varied. The prediction of fields (e.g. temperature, OH mass fraction, etc.) via the reduced model was assessed using 33 RANS simulations, the latter allowing to establish a database of micro-injector behaviour. The RANS approach has been validated against both experimental results and Large-Eddy Simulations. A selection of model inputs was made based on an assessment of the model’s predictive accuracy using the Kriging estimation method. The predictions of the reduced-order model showed qualitative agreement with the reference data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».