A comparative experimental and multiphysics computational fluid dynamics study of coupled surface–subsurface flow in bed forms
Notice bibliographique
Résumé
The use of multiphysics computational fluid dynamics (CFD) approaches to simulate surface–subsurface flow processes is evaluated by comparison with flume experiments on current‐exposed permeable bed forms. The unique experimental data include measurements of the time‐averaged surface water flow velocities, the pressure distribution at the sediment–water interface, and pore water flow paths. The modeling approach first simulates the time‐averaged turbulent flow in the channel with CFD and then uses the predicted pressure distribution at the sediment–water interface to drive a flow and transport model for the sediment. The CFD‐modeled velocity and pressure distribution and transient particle tracks within the sediment agree reasonably well with observations. Differences that exist between observations and simulations mainly concern the eddies in the wake zone downstream of the ripple crests that are slightly shorter than those predicted by the model. This deviation propagates from the surface to the subsurface domain, appearing in the pressure distribution along the bed and, consequently, the subsurface flow patterns. The good representation of general patterns and rates makes multiphysics CFD modeling a powerful and sufficiently accurate tool that can replace measurements for many studies of surface–subsurface processes involving current‐exposed immobile bed forms. The approach can be used for predicting transport processes where they cannot easily be observed, such as in large rivers and coastal systems where boundary conditions such as mean currents and bed forms can be mapped.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».