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

Informazioni relative al progetto

MENTOR

ID dell’accordo di sovvenzione: 101029472

DOI

10.3030/101029472

Progetto concluso il 30 Aprile 2024

Data della firma CE 12 Aprile 2021

Data di avvio 1 Luglio 2022

Data di completamento 30 Giugno 2024

Finanziato da

• EXCELLENT SCIENCE - Marie Skłodowska-Curie Actions

Costo totale

€ 212 933,76

Contributo UE

€ 212 933,76

Coordinato da

IMPERIAL COLLEGE OF SCIENCE TECHNOLOGY AND MEDICINE
United Kingdom

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Pubblicazioni

Peer reviewed articles (4)

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

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

Aleatory uncertainty quantification based on multi-fidelity deep neural networks

Autori: Zhihui Li, Francesco Montomoli
Pubblicato in: Reliability Engineering & System Safety, Numero Volume 245, May 2024, 109975, 2024, ISSN 0951-8320
Editore: Elsevier BV
DOI: 10.1016/j.ress.2024.109975

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

Autori: Zhihui Li, Francesco Montomoli and Sanjiv Sharma
Pubblicato in: AIAA Journal, 2024, ISSN 1533-385X
Editore: 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

Autori: Zhihui Li, Ramesh K. Agarwal
Pubblicato in: International Journal of Computational Fluid Dynamics, Numero 36.8 (2022): 705-718, 2022, ISSN 1061-8562
Editore: 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

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