Improving DSMC Inlet/Outlet Flow Boundary Conditions for Gas Mixtures Using the Chapman-Enskog Distribution
Notice bibliographique
Résumé
Prescribed pressure is the most common flow boundary condition used in microchannel flow simulations. In the Direct Simulation Monte Carlo (DSMC) method, boundary pressure is controlled by the number flux of the simulating molecules which enter the domain through the boundary. This number flux, in the conventional DSMC algorithm, is calculated iteratively using sampled values of velocity and number density and an expression derived from the Maxwell distribution function. This procedure does not work well for low speed flows where the role of the molecules entering from the flow boundaries becomes important. The statistical scatter of the DSMC results is generally known to be the main reason; however, the Maxwell distribution used in the pressure boundary treatment is valid just for equilibrium conditions. Accordingly, current implementations of the DSMC pressure boundary treatment are limited to boundaries with sufficiently small variations of flow variables. This is not, however, the case for many practical cases in which high gradients of the flow variables close to the boundaries lead to considerable non-equilibrium effects. In this study, therefore, an expression for the inward number flux of species is derived using the Chapman-Enskog velocity distribution to improve the pressure boundary condition in dealing with gradients of the flow properties close to the boundary. The resulting algorithm is then used for modeling a micro-channel binary gas mixture flow with prescribed pressure boundary conditions. The results are compared to those obtained from the conventional DSMC simulations using the Maxwell distribution.
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 ».