Rotor Stress Prediction Using Convolutional Neural Network
Notice bibliographique
Résumé
Abstract Application of AI/ML in creating predictive surrogate models in engineering domain is still in very initial stages. Several deep learning architectures such as Physics Informed Neural Network (PINN), and Kolmogorov Arnold Network are being developed. PINN requires explicit use of governing PDEs in the network and may not be straightforward for some industry problems. KAN is still in the initial development stage. Limited data and demand of higher quantitative accuracy mean that while using more conventional ML models, identification-cum-transformation of input features and model selection can be a challenge that requires deeper understanding of physics of the problem being solved. In this study, we present an innovative AI-ML based stress prediction model specifically designed for gas turbine rotor disks. The model leverages CNN (Convolutional Neural Network) architecture of AlexNet to create a deep learning regression model that identifies critical geometric features from the 2D cross-sectional images of the rotor disk and predicts the stress distribution at key locations under centrifugal loading conditions. To train and validate our model, the data is generated from ANSYS based FEA simulations using auto-generated rotor disk geometries. Our model demonstrates high accuracy with a margin of error within 5%, making it a valuable tool for rapid iterations during the preliminary design phase. This capability significantly enhances the efficiency of the design process, allowing for quicker optimization and validation of rotor disk designs. Looking ahead, we aim to extend the application of our AI-ML model to other gas turbine components and analysis, enabling the creation of a true digital twin of a gas turbine. This expansion will further streamline the design and analysis process, contributing to the development of more robust and efficient gas turbine systems.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 ».