Reduced Order Modeling of the Unsteady Pressure on Turbine Rotor Blades Using Deep Learning
Notice bibliographique
Résumé
Abstract In transonic turbine stages, complex interactions between the trailing edge shocks from nozzle guide vanes and the rotor blades generate unsteady wall pressure fields, affecting the rotor aerodynamic performance and structural integrity. While shock-related phenomena are prominent, unsteady pressure fluctuations can also arise in subsonic regimes, where wake interactions alone are sufficient to induce instationarities. Traditional methods like unsteady Reynolds-averaged Navier–Stokes (URANS) simulations, while sufficiently accurate, are computationally expensive. To address this, a novel deep learning-based reduced order model (ROM), built upon a database of URANS simulations, is proposed to predict unsteady pressure fields on a turbine rotor blade at a fraction of the simulation cost. Specifically, the model consists of a variational auto-encoder integrated with a gated recurrent unit to capture time-series data, addressing the limitations of traditional linear ROMs in capturing efficiently nonlinear phenomena, such as moving shocks. The objective of this work is to develop a ROM capable of accurately reproducing the unsteady pressure fields obtained from URANS simulations while significantly reducing computational costs. The proposed ROM is applied to the turbine aero-thermal external flows project configuration, a well-established test case in turbomachinery research that is representative of modern high-pressure turbine stages, particularly in terms of shock-wave interactions and wake dynamics. The model performance is evaluated using a combination of machine learning quality metrics and design-oriented criteria, such as the accuracy of the first harmonic in the Fourier transform of the unsteady pressure field. Additionally, the influence of the simulation database size on the model accuracy is analyzed, recognizing that the number of training simulations required to achieve task-specific accuracy is a key constraint on the industrial applicability of such approaches.
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 | 0,001 |
| 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 ».