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

Información del proyecto

MENTOR

Identificador del acuerdo de subvención: 101029472

DOI

10.3030/101029472

Proyecto finalizado el 30 Abril 2024

Fecha de la firma de la CE 12 Abril 2021

Fecha de inicio 1 Julio 2022

Fecha de finalización 30 Junio 2024

Financiado con arreglo a

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coste total

€ 212 933,76

Aportación de la UE

€ 212 933,76

Coordinado por

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
United Kingdom

CORDIS proporciona enlaces a los documentos públicos y las publicaciones de los proyectos de los programas marco HORIZONTE.

Los enlaces a los documentos y las publicaciones de los proyectos del Séptimo Programa Marco, así como los enlaces a algunos tipos de resultados específicos, como conjuntos de datos y «software», se obtienen dinámicamente de OpenAIRE .

Publicaciones

Peer reviewed articles (4)

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

Autores: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Publicado en: Journal of Turbomachinery, Edición Nov 2023, 145(11): 111009 (9 pages), 2023, ISSN 0889-504X
Editor: ASME
DOI: 10.1115/1.4063391

Aleatory uncertainty quantification based on multi-fidelity deep neural networks

Autores: Zhihui Li, Francesco Montomoli
Publicado en: Reliability Engineering & System Safety, Edición Volume 245, May 2024, 109975, 2024, ISSN 0951-8320
Editor: Elsevier BV
DOI: 10.1016/j.ress.2024.109975

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

Autores: Zhihui Li, Francesco Montomoli and Sanjiv Sharma
Publicado en: AIAA Journal, 2024, ISSN 1533-385X
Editor: 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

Autores: Zhihui Li, Ramesh K. Agarwal
Publicado en: International Journal of Computational Fluid Dynamics, Edición 36.8 (2022): 705-718, 2022, ISSN 1061-8562
Editor: 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

Autores: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Publicado en: ASME Turbo Expo 2023: Turbomachinery Technical Conference and Exposition, Edición GT2023-101698, V13DT34A007, 2023, ISBN 978-0-7918-8711-0
Editor: The American Society of Mechanical Engineers
DOI: 10.1115/gt2023-101698