C(NN)FD — deep learning predictions of tip clearance variations on multi-stage axial compressors aerodynamic performance

要約

CFD (数値流体力学) などの物理シミュレーションへの深層学習手法の適用は、これまでのところ産業上の関連性が限られています。
この論文では、ガス タービンの多段軸流圧縮機の空力性能に対するチップ クリアランスの変動の影響をリアルタイムで予測するためのディープ ラーニング フレームワークの開発と適用について説明します。
提案された C(NN)FD アーキテクチャは産業アプリケーションに拡張可能であることが証明されており、CFD ベンチマークに匹敵するリアルタイム精度を達成します。
展開されたモデルは、ガス タービンの製造および構築プロセスに容易に統合されるため、パフォーマンスへの影響を分析的に評価する機会が提供され、高価な物理テストの要件が削減される可能性があります。

要約(オリジナル)

Application of deep learning methods to physical simulations such as CFD (Computational Fluid Dynamics), have been so far of limited industrial relevance. This paper demonstrates the development and application of a deep learning framework for real-time predictions of the impact of tip clearance variations on the aerodynamic performance of multi-stage axial compressors in gas turbines. The proposed C(NN)FD architecture is proven to be scalable to industrial applications, and achieves in real-time accuracy comparable to the CFD benchmark. The deployed model, is readily integrated within the manufacturing and build process of gas turbines, thus providing the opportunity to analytically assess the impact on performance and potentially reduce requirements for expensive physical tests.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google