論文の概要: Prediction of the energy and exergy performance of F135 PW100 turbofan engine via deep learning

• arxiv url: http://arxiv.org/abs/2208.12028v1
• Date: Wed, 24 Aug 2022 17:28:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-26 13:42:06.095648
• Title: Prediction of the energy and exergy performance of F135 PW100 turbofan engine via deep learning
• Title（参考訳）: 深部学習によるF135 PW100ターボファンエンジンのエネルギー・エネルギ性能の予測
• Authors: Mohammadreza Sabzehali, Amir Hossein Rabieeb, Mahdi Alibeigia, Amir Mosavi
• Abstract要約: 推力比燃料消費, 推力, 吸気気質量流量, 熱・推進効率に及ぼす飛気数, 飛行高度, 燃料タイプ, 吸気温度の影響について検討した。 深層学習法を用いて出力パラメータを予測するインテリジェントモデルが得られた。 その結果, 深部神経モデルの誤差率は推力, 推力比, 総運動効率の5.02%, 1.43%, 2.92%に等しいことがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the present study, the effects of flight-Mach number, flight altitude, fuel types, and intake air temperature on thrust specific fuel consumption, thrust, intake air mass flow rate, thermal and propulsive efficiecies, as well as the exergetic efficiency and the exergy destruction rate in F135 PW100 engine are investigated. Based on the results obtained in the first phase, to model the thermodynamic performance of the aforementioned engine cycle, Flight-Mach number and flight altitude are considered to be 2.5 and 30,000 m, respectively; due to the operational advantage of supersonic flying at high altitude flight conditions, and the higher thrust of hydrogen fuel. Accordingly, in the second phase, taking into account the mentioned flight conditions, an intelligent model has been obtained to predict output parameters (i.e., thrust, thrust specific fuel consumption, and overall exergetic efficiency) using the deep learning method. In the attained deep neural model, the pressure ratio of the high-pressure turbine, fan pressure ratio, turbine inlet temperature, intake air temperature, and bypass ratio are considered input parameters. The provided datasets are randomly divided into two sets: the first one contains 6079 samples for model training and the second set contains 1520 samples for testing. In particular, the Adam optimization algorithm, the cost function of the mean square error, and the active function of rectified linear unit are used to train the network. The results show that the error percentage of the deep neural model is equal to 5.02%, 1.43%, and 2.92% to predict thrust, thrust specific fuel consumption, and overall exergetic efficiency, respectively, which indicates the success of the attained model in estimating the output parameters of the present problem.
• Abstract（参考訳）: 本研究では,f135 pw100エンジンの推力比燃料消費量,推力,吸気質量流量,熱および推進力効率,エクセルジ効率およびエクセルギー破壊率に及ぼす飛行マッハ数,飛行高度,燃料の種類,吸気温度の影響について検討した。 第1相で得られた結果から, 上記エンジンサイクルの熱力学特性をモデル化するため, 高高度飛行条件下での超音速飛行の運用上の利点と水素燃料の高推力化により, それぞれ2.5m, 30,000mと推定された。 したがって、上記の飛行条件を考慮した第2フェーズでは、ディープラーニング法を用いて出力パラメータ(推力、推力比燃料消費量、総合運動効率)を予測するインテリジェントモデルが得られた。 得られた深層神経モデルでは, 入力パラメータとして高圧タービンの圧力比, ファン圧比, タービン入口温度, 吸気温度, バイパス比が考慮される。 提供されたデータセットはランダムに2つのセットに分けられる。1つはモデルトレーニング用の6079サンプル、もう1つはテスト用の1520サンプルである。 特に、adam最適化アルゴリズム、平均二乗誤差のコスト関数、整流線形単位のアクティブ関数を用いてネットワークを訓練する。 その結果, ディープニューラルモデルの誤差率は0.2%, 1.43%, 2.92%であり, 推力予測, 推力比燃料消費量, 総合運動効率がそれぞれ0.92%であった。

関連論文リスト

• On the Generalization Properties of Deep Learning for Aircraft Fuel Flow Estimation Models [2.7336487680215815]
  本稿では,燃料消費予測におけるディープラーニングモデルの一般化能力について検討する。 本稿では,ニューラルネットワークアーキテクチャとドメイン一般化技術を統合する新しい手法を提案する。 以前は目に見えない航空機に対して、航空機へのノイズの導入とエンジンパラメーターはモデルの一般化を改善した。
  論文  参考訳（メタデータ） (2024-10-10T08:34:19Z)
• Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification [2.126171264016785]
  物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-07-27T07:58:38Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Energy-Environment evaluation and Forecast of a Novel Regenerative turboshaft engine combine cycle with DNN application [0.0]
  ターボシャフトエンジンは, エネルギー環境解析に基づいて, インレット冷却と再生冷却を加えて評価した。 深部ニューラルネットワーク(DNN)に基づく冷却空冷システムを備えた再生ターボシャフトエンジンサイクルのエネルギー環境性能を予測するモデルを開発した。 また,NOおよびNO2を含む窒化物 (NOx) の熱効率と物質流量を予測するモデルを提案した。
  論文  参考訳（メタデータ） (2022-09-24T14:38:25Z)
• Energy-Exergy Analysis and Optimal Design of a Hydrogen Turbofan Engine [0.0]
  ジェネックス1B70エンジンの推力比燃料消費特性に及ぼす入口冷却と燃料タイプの影響を解析した。 その結果、設計条件およびJP10燃料使用時の吸入空気温度の20度の美味しい低下により、エンジンの熱効率とエントロピー発生率、推力および燃料質量流量、TSFCが1.85パーセント、16.51パーセント、11.76パーセント、10.53パーセント、SNOxが2.15パーセント、エネルギ効率が2.11パーセント、26.60%向上した。
  論文  参考訳（メタデータ） (2022-08-14T19:27:15Z)
• Data-Efficient Modeling for Precise Power Consumption Estimation of Quadrotor Operations Using Ensemble Learning [3.722516004544342]
  エレクトロニック・テイクオフ・アンド・ランディング (EVTOL) は、新興都市空力において主要な航空機であると考えられている。 本研究では,eVTOL航空機の消費電力モデル化のための枠組みを構築した。 そこで我々は,3種類の四重項の飛行記録を用いたデータ駆動モデルを構築するために,アンサンブル学習法,すなわち積み重ね法を用いた。
  論文  参考訳（メタデータ） (2022-05-23T02:16:43Z)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Universal Battery Performance and Degradation Model for Electric Aircraft [52.77024349608834]
  電動垂直離着陸機(eVTOL)の設計、解析、運用には、Liイオン電池の性能の迅速かつ正確な予測が必要である。 我々は,eVTOLのデューティサイクルに特有の電池性能と熱的挙動のデータセットを生成する。 このデータセットを用いて,物理インフォームド機械学習を用いた電池性能・劣化モデル(Cellfit)を開発した。
  論文  参考訳（メタデータ） (2020-07-06T16:10:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。