Flow analysis for the improvement of turbine pre-design models

Une prédiction précise des pertes dès les étapes de conception préliminaires est essentielle pour améliorer le processus de développement et les performances aérodynamiques des turbines à gaz. Les phases initiales de conception s’appuient généralement sur des modèles d’ordre réduit dans lesquels les différents mécanismes générateurs de pertes sont évalués à l’aide de corrélations. Ces corrélations reposent souvent sur l’hypothèse de linéarité des pertes, qui suppose que les pertes de profil et les pertes secondaires peuvent être additionnées pour obtenir les pertes totales, en négligeant les effets d’interaction. Les corrélations actuelles dépendent encore fortement de données expérimentales, qui peinent à suivre l’évolution rapide des géométries de turbines, en constante transformation face aux avancées technologiques.Cette thèse de doctorat a pour objectif d’améliorer les modèles de pertes utilisés en phase de prédimensionnement, en exploitant des simulations CFD et en développant des outils numériques afin d’approfondir la compréhension des mécanismes physiques à l’origine des pertes.Dans un premier temps, une présentation détaillée des différents types de corrélations existantes est menée, de sorte à faire un état des lieux des moyens à disposition pour prédire les pertes. En parallèle, des simulations 3D RANS servant de référence pour la comparaison sont réalisées : des divergences significatives sont observées entre les différents modèles, tant en conditions nominales qu’en dehors du point de fonctionnement optimal.Par conséquent, une méthodologie numérique est proposée afin d’évaluer la validité et le domaine d’applicabilité de l’hypothèse de linéarité des pertes, car une compréhension claire de cet aspect fondamental est indispensable avant d’affiner les corrélations individuelles. Les erreurs introduites par l’hypothèse de linéarité se trouvent être minimes et dans des marges acceptables pour des prédictions en phase préliminaire, justifiant leur utilisation dans les modèles de prédimensionnement.L’objectif devient donc de renforcer la précision des modèles individuels en améliorant la compréhension des mécanismes de pertes et en identifiant les paramètres qui les influencent. Pour cela, un outil de post-traitement est développé : il permet, à partir d’une solution RANS 3D, d’identifier tous les phénomènes clés caractérisant l’écoulement d’une turbomachine et de quantifier les pertes associées en termes d’entropie. Cet outil d’audit des pertes est également capable de localiser les zones d’interaction entre différents phénomènes, sans dépendre de seuils empiriques nécessitant des ajustements spécifiques à chaque cas. La combinaison des critères de détection les plus efficaces issus de la littérature avec de nouvelles méthodes développées et implémentées dans ce travail permet de telles améliorations.Enfin, une fois validé, l’outil est utilisé pour analyser la réponse des différents mécanismes de pertes à des variations de paramètres géométriques et d’écoulement clés, tels que le nombre de Mach, l’angle d’incidence, la hauteur du jeu en bout d’aube, et l’épaisseur du bord de fuite.

Authors

Publication Details

Published
2025-11-28
Primary Topic
Turbomachinery Performance and Optimization
Type
article
Field-Weighted Citation Impact
0.00
Controls
|||
ALL TIME
JAN
FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
article

Flow analysis for the improvement of turbine pre-design models

Greta Raina
Turbomachinery Performance and Optimization
article

Flow analysis for the improvement of turbine pre-design models

Greta Raina
article en

Abstract

Une prédiction précise des pertes dès les étapes de conception préliminaires est essentielle pour améliorer le processus de développement et les performances aérodynamiques des turbines à gaz. Les phases initiales de conception s’appuient généralement sur des modèles d’ordre réduit dans lesquels les différents mécanismes générateurs de pertes sont évalués à l’aide de corrélations. Ces corrélations reposent souvent sur l’hypothèse de linéarité des pertes, qui suppose que les pertes de profil et les pertes secondaires peuvent être additionnées pour obtenir les pertes totales, en négligeant les effets d’interaction. Les corrélations actuelles dépendent encore fortement de données expérimentales, qui peinent à suivre l’évolution rapide des géométries de turbines, en constante transformation face aux avancées technologiques.Cette thèse de doctorat a pour objectif d’améliorer les modèles de pertes utilisés en phase de prédimensionnement, en exploitant des simulations CFD et en développant des outils numériques afin d’approfondir la compréhension des mécanismes physiques à l’origine des pertes.Dans un premier temps, une présentation détaillée des différents types de corrélations existantes est menée, de sorte à faire un état des lieux des moyens à disposition pour prédire les pertes. En parallèle, des simulations 3D RANS servant de référence pour la comparaison sont réalisées : des divergences significatives sont observées entre les différents modèles, tant en conditions nominales qu’en dehors du point de fonctionnement optimal.Par conséquent, une méthodologie numérique est proposée afin d’évaluer la validité et le domaine d’applicabilité de l’hypothèse de linéarité des pertes, car une compréhension claire de cet aspect fondamental est indispensable avant d’affiner les corrélations individuelles. Les erreurs introduites par l’hypothèse de linéarité se trouvent être minimes et dans des marges acceptables pour des prédictions en phase préliminaire, justifiant leur utilisation dans les modèles de prédimensionnement.L’objectif devient donc de renforcer la précision des modèles individuels en améliorant la compréhension des mécanismes de pertes et en identifiant les paramètres qui les influencent. Pour cela, un outil de post-traitement est développé : il permet, à partir d’une solution RANS 3D, d’identifier tous les phénomènes clés caractérisant l’écoulement d’une turbomachine et de quantifier les pertes associées en termes d’entropie. Cet outil d’audit des pertes est également capable de localiser les zones d’interaction entre différents phénomènes, sans dépendre de seuils empiriques nécessitant des ajustements spécifiques à chaque cas. La combinaison des critères de détection les plus efficaces issus de la littérature avec de nouvelles méthodes développées et implémentées dans ce travail permet de telles améliorations.Enfin, une fois validé, l’outil est utilisé pour analyser la réponse des différents mécanismes de pertes à des variations de paramètres géométriques et d’écoulement clés, tels que le nombre de Mach, l’angle d’incidence, la hauteur du jeu en bout d’aube, et l’épaisseur du bord de fuite.

Affordable and clean energy
Openalex Percentile: Top 9%
Turbomachinery Performance and Optimization
AI Navigator

Ask Laika to Summarize, Analyze, and Connect papers live on the map.

Summarize Papers & Methodologies

Extract key findings, datasets, and comparative methods across publications.

Benchmark Rankings & Visual Analytics

Rank top research institutions, authors, funders, topics, and journals by Field-Weighted Citation Impact (FWCI) and paper volume with instant charts.

Connect Distant Disciplines

Bridge topological clusters on the map to find hidden collaborative intersections.