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

Informations projet

MENTOR

N° de convention de subvention: 101029472

DOI

10.3030/101029472

Projet clôturé le 30 Avril 2024

Date de signature de la CE 12 Avril 2021

Date de début 1 Juillet 2022

Date de fin 30 Juin 2024

Financé au titre de

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Coût total

€ 212 933,76

Contribution de l’UE

€ 212 933,76

Coordonné par

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
United Kingdom

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Publications

Peer reviewed articles (4)

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

Auteurs: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Publié dans: Journal of Turbomachinery, Numéro Nov 2023, 145(11): 111009 (9 pages), 2023, ISSN 0889-504X
Éditeur: ASME
DOI: 10.1115/1.4063391

Aleatory uncertainty quantification based on multi-fidelity deep neural networks

Auteurs: Zhihui Li, Francesco Montomoli
Publié dans: Reliability Engineering & System Safety, Numéro Volume 245, May 2024, 109975, 2024, ISSN 0951-8320
Éditeur: Elsevier BV
DOI: 10.1016/j.ress.2024.109975

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

Auteurs: Zhihui Li, Francesco Montomoli and Sanjiv Sharma
Publié dans: AIAA Journal, 2024, ISSN 1533-385X
Éditeur: 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

Auteurs: Zhihui Li, Ramesh K. Agarwal
Publié dans: International Journal of Computational Fluid Dynamics, Numéro 36.8 (2022): 705-718, 2022, ISSN 1061-8562
Éditeur: 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

Auteurs: Zhihui Li, Francesco Montomoli, Nicola Casari, Michele Pinelli
Publié dans: ASME Turbo Expo 2023: Turbomachinery Technical Conference and Exposition, Numéro GT2023-101698, V13DT34A007, 2023, ISBN 978-0-7918-8711-0
Éditeur: The American Society of Mechanical Engineers
DOI: 10.1115/gt2023-101698