Reynolds-averaged Navier–Stokes modelling in transonic S-ducts with passive flow control
Notice bibliographique
Résumé
S-duct diffusers are used in aircraft with embedded engines to route ambient air to the fan face. Sizing and stealth considerations drive a need for high curvature ducts, but the curvature causes complex secondary flows that lead to total pressure distortion and swirl velocities at the engine face. These must be controlled for stable engine operation. In this paper, tubercles, a novel bio-inspired passive flow control method, are analysed numerically in a duct with transonic flow. The results are compared to experimental data obtained as part of a campaign at the Royal Military College, Canada to investigate the effects of S-duct geometry and novel passive flow control devices on the performance of transonic S-ducts. The performance of Reynolds-averaged Navier–Stokes turbulence models in the S-ducts is assessed – Menter's shear stress transport model predicts excessive losses due to the overactivity of its stress limiter. The realisable k–ɛ model gives a significant improvement in the prediction of static pressure distributions, but losses and distortion characteristics are predicted poorly due to the model's inability to resolve the effects of unsteadiness in separated regions. Large tubercle geometries are found to trigger earlier separation in the centre of the duct by concentrating low momentum fluid in valleys, but they also act as boundary layer fences away from the duct centre. Smaller geometries are found to generate vortices that re-energise the boundary layer, delaying flow separation. Methods are recommended for future computational analyses of S-ducts and new designs of tubercles.
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 | 0,000 | 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 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 ».