Surrogate Modelling of a Turboprop Engine Performance
Notice bibliographique
Résumé
Abstract This paper addresses the simulation of turboprop engine performance through Artificial Neural Network (ANN)-based modelling. It arises from the need for developing surrogate models that explore different engine designs and their entire flight envelope operations, while being both fast, accurate, and convenient for preliminary design. First, a database is generated using a commercially available thermodynamic cycle software. Design parameters of interest include performance, thermodynamic and geometric attributes of the engine and its propeller, while operating conditions cover an envelope of ambient temperatures, altitudes, flight speeds and aircraft offtakes. Their variability is captured through a Latin-Hypercube sampled Design of Experiment (DoE). The produced datasets are used to train a Multi-Layer Perceptron (MLP) to predict the engines resulting power and fuel consumption, while results are evaluated based on the Mean Absolute Percentage Error (MAPE). The conventional – random – split of data for training, validation and testing according to set ratios is found to yield inconsistent results, when testing for unseen engines that are not within the training dataset. Thus, a new method for structuring the subsets in terms of whole engine designs is proposed. While both methods result in equal ANN performance on unseen engine designs, the new method overcomes the inconsistency identified for the conventional practice with the validation/testing subsets. The final ANN-based surrogate model yields a 3.3% accuracy while predicting absolute or non-dimensional power. Finally, predictions for fuel flow and Specific Fuel Consumption (SFC) yield a 7% MAPE.
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 ».