Computational fluid dynamics simulation of rail vehicles in crosswind: Application in norms and standards
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The application of computational fluid dynamics (CFD) to the determination of aerodynamic coefficients for crosswind stability in the context of vehicle assessment has been studied as part of the AeroTRAIN project. The work consisted in establishing best practice guidelines for the use of standard Reynolds-averaged Navier–Stokes (RANS) approaches using a streamlined and less-streamlined vehicle, project partners applying different computational codes and turbulence models to a common vehicle, and then application to further vehicles in order to cover a range of different vehicles and yaw angles. The simulations were complimented with wind tunnel measurements to allow the accuracy of standard RANS approaches to be judged for various vehicle shapes and yaw angles. This paper summarises the overall results and the recommendations made for the use of CFD in vehicle assessment of crosswind stability in relation to the EN 14067-6: 2010 standard. The main aspects of the guidelines are reported in a separate paper in this special issue. The considered standard allows the use of CFD for vehicle speeds up to a maximum of 200 km/h whereas the HS RST TSI (2008) only allows aerodynamic coefficients to be determined using wind tunnel measurements. The obtained results show that a well-performed RANS CFD can predict the aerodynamic coefficient of streamlined trains with a relatively high accuracy. The challenges increase for blunter-shaped trains and may be further influenced by equipment installed on the roof of a train. Combined with the developed simulation guidelines it is considered that CFD can be used as an alternative to wind tunnel tests in all cases provided that the accuracy of the approach is validated on a benchmark train with similar features to those of the simulated train.
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.
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 découle