A Novel and Affordable Multi-Fidelity Deep Neural Network Uncertainty Quantification/Robust Optimization Design Framework for Industrial Turbomachinery

Projektinformationen

MENTOR

ID Finanzhilfevereinbarung: 101029472

DOI

10.3030/101029472

Das Projekt endete am 30 April 2024

EK-Unterschriftsdatum 12 April 2021

Startdatum 1 Juli 2022

Enddatum 30 Juni 2024

Finanziert unter

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Gesamtkosten

€ 212 933,76

EU-Beitrag

€ 212 933,76

Koordiniert durch

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
United Kingdom

CORDIS bietet Links zu öffentlichen Ergebnissen und Veröffentlichungen von HORIZONT-Projekten.

Links zu Ergebnissen und Veröffentlichungen von RP7-Projekten sowie Links zu einigen Typen spezifischer Ergebnisse wie Datensätzen und Software werden dynamisch von OpenAIRE abgerufen.

Veröffentlichungen

Peer reviewed articles (4)

High-Dimensional Uncertainty Quantification of High-Pressure Turbine Vane Based on Multifidelity Deep Neural Networks

Autoren: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Veröffentlicht in: Journal of Turbomachinery, Ausgabe Nov 2023, 145(11): 111009 (9 pages), 2023, ISSN 0889-504X
Herausgeber: ASME
DOI: 10.1115/1.4063391

Aleatory uncertainty quantification based on multi-fidelity deep neural networks

Autoren: Zhihui Li, Francesco Montomoli
Veröffentlicht in: Reliability Engineering & System Safety, Ausgabe Volume 245, May 2024, 109975, 2024, ISSN 0951-8320
Herausgeber: Elsevier BV
DOI: 10.1016/j.ress.2024.109975

Investigation of Compressor Cascade Flow Using Physics-Informed Neural Networks with Adaptive Learning Strategy

Autoren: Zhihui Li, Francesco Montomoli and Sanjiv Sharma
Veröffentlicht in: AIAA Journal, 2024, ISSN 1533-385X
Herausgeber: American Institute of Aeronautics and Astronautics
DOI: 10.2514/1.j063562

Numerical Simulations and Design Optimization of Compressor Cascade Flow Using One Equation and Wray-Agarwal Turbulence Model

Autoren: Zhihui Li, Ramesh K. Agarwal
Veröffentlicht in: International Journal of Computational Fluid Dynamics, Ausgabe 36.8 (2022): 705-718, 2022, ISSN 1061-8562
Herausgeber: Taylor & Francis
DOI: 10.1080/10618562.2023.2187050

Conference proceedings (1)

High-Dimensional Uncertainty Quantification of High-Pressure Turbine Vane Based on Multi-Fidelity Deep Neural Networks

Autoren: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Veröffentlicht in: ASME Turbo Expo 2023: Turbomachinery Technical Conference and Exposition, Ausgabe GT2023-101698, V13DT34A007, 2023, ISBN 978-0-7918-8711-0
Herausgeber: The American Society of Mechanical Engineers
DOI: 10.1115/gt2023-101698