Gas Turbine Thermal Digital Twin: Developing a Data Engineering Framework
Notice bibliographique
Résumé
Abstract A gas turbine engine (GT) is a complex power-producing machine that operates under high speed, pressure and temperature. Monitoring its health in real time is essential for ensuring safety and reliability. However harsh operating conditions, limited accessibility and high instrumentation cost, make it challenging to get sensor data from all life limited locations. This can be addressed by developing and deploying a Digital Twin (DT) which utilizes engine data from tests, fleet operations and numerical analysis, to calculate local and bulk metal temperatures at locations of interest. Development of this Digital Twin needs a specialized framework for data collection, pre-processing, model training, and evaluation. This paper focuses on data acquisition, transformation and engineering steps that are performed prior to the development of a DT, which are critical for enhancing its accuracy and robustness. Data acquisition involves fetching real-time sensor data from proprietary cloud system. Data transformation involves converting this data into a format readable by Python. The dataset includes a wide range of operating conditions that a GT experiences throughout its lifecycle, providing an exhaustive dataset for training the DT model. Data engineering involves removal of false sensor readings, filtration of dataset, data imputation for missing data, and noise reduction to deal with occasional spikes and noise, normalization of input features and target(s). These operations have been performed using Python built-in standard libraries like Pandas, NumPy, scikit-learn. In addition, statistical techniques like Pearson’s correlation are utilized in the feature engineering process. The paper is intended to illustrate the process to develop a data engineering framework to develop GT Digital Twin for metal temperature prediction.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».