Evaluation of RANS and LES turbulence models for simulating a steady 2-D plane wall jet
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
Purpose This paper examines various turbulence models for numerical simulation of a steady, two-dimensional (2-D) plane wall jet without co-flow using the commercial CFD software (ANSYS FLUENT 14.5). The purpose of this paper is to decide the most suitable and most economical method for steady, 2-D plane wall jet simulation. Design/methodology/approach Seven Reynolds-averaged Navier–Stokes (RANS) turbulence models were evaluated with respect to typical jet scaling parameters such as the jet half-height and the decay of maximum jet velocity, as well as coefficients from the law of the wall and for skin friction. Then, a plane wall jet generating from a rectangular slot of 1:6 aspect ratio located adjacent to the wall was investigated in a three-dimensional (3-D) model using large eddy simulation (LES) and the Stress-omega Reynolds stress model (SWRSM), with the results compared to experimental measurements. Findings The comparisons of these simulated flow characteristics indicated that the SWRSM was the best of the seven RANS models for simulating the turbulent wall jet. When scaled with outer variables, LES and SWRSM gave generally indistinguishable mean velocity profiles. However, SWRSM performed better for near-wall mean velocity profiles when scaled with inner variables. In general, the results show that LES performed reasonably well when predicting the Reynolds stresses. Originality/value The main contribution of this article is in determining the capabilities of different RANS turbulence closures and LES for the prediction of the 2-D steady wall jet flow to identify the best modelling approach.
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 | 0,000 | 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