A hybrid CFD-neural network framework for the early prediction of longitudinal thermo-acoustic instabilities in hydrogen-fueled gas turbine combustors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study introduces a hybrid Computational Fluid Dynamics–Neural Network (CFD–NN) framework for real-time prediction of longitudinal thermo-acoustic instabilities in hydrogen-fueled gas turbine combustors—critical for future clean energy systems. A high-fidelity two-dimensional CFD model simulated hydrogen combustion and provided time-resolved pressure and heat release data. The Local Rayleigh Index (LRI) identified probe X 2 as a strong instability zone (LRI ≈ 10⁷ Pa·W), while X 1 , X 4 , and X 6 showed stable behavior. A feedforward neural network trained on early-stage data from probe X3 achieved high prediction accuracy (R² = 0.9998, Root Mean Square Error (RMSE = 924)) and delivered predictions ∼676× faster than CFD (∼334 predictions/s). By combining physics-based modeling with machine learning, this hybrid method enables real-time, physics-informed diagnostics, supporting smart combustor design and closed-loop control in next-gen hydrogen turbines. • A hybrid CFD–FNN framework is proposed for early prediction of thermoacoustic instability in hydrogen-fueled gas turbines. • High-fidelity 2D CFD extracted pressure and heat-release data at six probes, using the Rayleigh Index to identify instability. • Probe X3 enabled earliest instability detection, while X5 captured transitional dynamics supporting mid-stage prediction. • An FNN trained on probe X3 achieved R² = 0.9998, low RMSE, and delivered a 676× speed-up over CFD for real-time prediction. • The framework enables physics-informed real-time diagnostics, supporting closed-loop combustion control in hydrogen turbines.
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.
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 découle