An Economical Model for Simulating Turbulence Enhancement of Droplet Collisions and Coalescence
Notice bibliographique
Résumé
Abstract ClusColl, an economical simulation method for droplet motions and collisions in turbulent flows, has been developed, implemented, tested, and applied. In the Linear Eddy Model, permutations called triplet maps representing individual turbulent eddies implement turbulent advection of fluid in 1‐D. This captures flow processes down to the smallest turbulent eddy (Kolmogorov microscale), but the inertial response of small Stokes number droplets to turbulence has important features at scales down to the droplet radius, notably sub‐Kolmogorov‐scale clustering of finite‐inertia droplets that can increase collision rates significantly. Additionally, shear due to the smallest scales of turbulence increases collision rates of zero‐inertia droplets. In ClusColl, a 3‐D triplet map for droplets captures both effects. We implemented collision detection, enabling simulation of droplet collisions and coalescence, and a sedimentation treatment in ClusColl. Published direct numerical simulations (DNSs) of monodispersions were used to tune parameters. For sedimenting droplets in turbulence, ClusColl's turbulent enhancement of bidisperse collision kernels agrees reasonably well with published DNS results. We compared ClusColl and DNS coalescence growth results. For weak turbulence ( ε ≤100 cm 2 /s 3 ), ClusColl's turbulent enhancement of coalescence growth closely matches that of the DNS. For ε ≥200 cm 2 /s 3 , lack of accurate collision efficiencies precludes definitive quantitative evaluation of ClusColl's coalescence growth. In a comparison of coalescence growth dependence on the droplet size distribution width and on turbulent enhancement, ClusColl indicates that the latter dramatically accelerates cloud droplet conversion into raindrops, while the former has significantly less impact.
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 | 0,001 |
| 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 ».