평균유선 해석법의 손실 모델 계수 보정을 통한 원심펌프의 성능 예측 정확도 개선

Q: 이 논문에서 정의한 평균유선 해석법이란 무엇인가?

1차원 평균 유선에서의 오일러 방정식과 경험적인 손실 모델을 사용하여 탈설계점에서의 성능을 예측하는 방법이다. 초기 설계 단계에서 주요 형상 정보와 사양을 기반으로 펌프의 성능 곡선을 빠르고 간단하게 예측할 수 있다는 특징을 가진다.

Q: 보정된 평균유선 해석법을 통한 원심펌프의 성능 예측 정확도는 어떠한가?

연구 결과, 서로 다른 비속도를 가진 원심펌프를 대상으로 손실 모델의 경험적 계수를 보정한 결과 전 유량 범위에서 양정은 ±5%, 효율은 ±10% 이내의 오차 범위로 예측 가능함을 확인하여 넓은 비속도 범위에서 신뢰할 수 있는 정확도를 확보하였다.

심현석

doi:10.5293/kfma.2025.28.1.016

학술저널

저자정보: 심현석 (국립창원대학교)

저널정보: 한국유체기계학회 한국유체기계학회 논문집 한국유체기계학회 논문집 제28권 제1호(통권 제148호)

오류 신고하기

피인용 0

검색

초록·키워드

This study presents an improved one-dimensional meanline analysis for predicting the hydraulic performance of a single-stage centrifugal pump. The basic model for the meanline analysis is derived from the Euler equation, defined by the velocity triangle and the Wiesner slip factor. Empirical coefficients from the loss models proposed in previous studies are listed and selected as variables for calibration. Latin hypercube sampling is employed to generate multiple sampling points to calibrate the coefficients in the loss models. Three centrifugal pumps with different specific speeds are selected, and the relative errors of the head and efficiency values obtained from experiments and the meanline analysis are calculated to quantify the prediction model's accuracy. The optimal combination of loss model coefficients that minimizes the mean square error between the experimental values and the meanline analysis is determined from the sampling points. The reliability of the methodology is demonstrated by showing that the predicted values for head and efficiency are within 5% and 10% error ranges, respectively.

#Meanline analysis(평균유선 해석법) #Centrifugal pump(원심펌프) #Specific speed(비속도) #Loss model(손실 모델) #Design of experiments(실험계획법)

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-151-25-02-092298504

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료