Prediction of soot particles in Gas Turbine Combustors using Large Eddy Simulation
Bibliographic record
Abstract
Simulation aux Grandes Echelles pour la prédiction des suies dans les moteurs aéronautiques Les futures réglementations en termes d'émission de polluants, notamment sur les particules fines (PM), qui s'appliquent aux chambres de combustion de nouvelle génération nécessitent de nouvelles approches de conception. Afin de réduire la formation des particules de suies, la compréhension des processus de formation et de transports des particules est nécessaire. La chimie et la dynamique de ces particules de suies dépendent fortement de la taille et de la morphologie de celle-ci, leur prédiction requière donc calculer la distribution en taille des particules. Pour cela, des méthodes Eulériennes sont utilisées (Moments, Sectionnels), ou des méthodes stochastiques Lagrangiennes sont proposées. Dans ce travail, une méthode semidéterministique basée sur l'approche Lagrangienne est proposée. Parallèlement, une description précise de la chimie, notamment pour les précurseurs de suies nécessaire aux modèles détaillés de formation de suies est développée. La méthodologie incluant la description des précurseurs de suies et le transport de celles-ci est calculée dans deux configurations de type aéronautiques. La première est la configuration FIRST, une flamme étudiée au DLR opérant à haute pression dans un milieu confiné et stabilisée à l'aide d'un swirleur. L'impact du choix du précurseur de suies ainsi que la prise en compte des transferts radiatifs est évaluée. La température et la fraction volumique des suies sont en accord avec les mesures expérimentales. La seconde configuration est le bruleur UTIAS Jet A-1 où le Jet A-1 est un carburant aéronautique, il est caractérisé par une flamme swirlée diphasique et étudié à l'université de Toronto au Canada. La simulation aux grandes échelles de cette configuration procure de nouvelles connaissances sur la formation des particules des suies dans les flammes turbulentes diphasiques. Un très bon accord avec les données expérimentales est observé pour cette configuration concernant les particules de suies
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".