MétaCan
Menu
Retour à la cohorte
Enregistrement W2951798728 · doi:10.4271/2019-01-2012

An Eulerian Approach with Mesh Adaptation for Highly Accurate 3D Droplet Dynamics Simulations

2019· article· en· W2951798728 sur OpenAlexaff
Alberto Pueyo, Isik Ozcer, Guido S. Baruzzi

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensBombardier (Canada)
Organismes subventionnairesnon disponible
Mots-clésEulerian pathComputer scienceAdaptation (eye)Dynamics (music)Computational scienceDistributed computingPhysicsAcousticsLagrangian

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">Two main approaches are available when studying droplet dynamics for in-flight icing simulations: the Lagrangian approach, in which each droplet trajectory is integrated until it impacts the vehicle under study or when it leaves it behind without impact, and the Eulerian approach, where the droplet dynamics is solved as a continuum. In both cases, the same momentum equations are solved.</div><div class="htmlview paragraph">Each approach has its advantages. In 2D, the Lagrangian approach is easy to code and it is very efficient, particularly when used in combination with a panel method flow solver. However, it is a far less practical approach for 3D simulations, particularly on complex geometries, as it is not an easy task to accurately determine the droplet seeding region without a great number of droplet trajectories, dramatically increasing the computing cost. Converting the impact locations into a water collection distribution is also a complex task, since droplet trajectories in 3D can follow convoluted paths. One of the advantages of the Lagrangian approach is the crisp definition of the shadow zone as it is clearly defined by the first trajectory to graze the surface of the vehicle.</div><div class="htmlview paragraph">The Eulerian approach is much simpler to use with complex geometries, solving the entire domain as a whole, using the same grid as for the airflow, and there is no need to seed trajectories. For this reason, it is the preferred approach in most 3D icing solvers. One of its disadvantages, however, is that discontinuities, such as shadow zone limits or impingement limits, are usually not very sharply defined, with smoothing due to numerical dissipation and the grid, optimized heuristically for the airflow calculation, not being sufficiently fine in regions of solution discontinuities in the droplet solution.</div><div class="htmlview paragraph">This paper presents a refined approach in the use of Eulerian algorithms for icing simulations by introducing a mesh adaption process simultaneously based on the airflow solution and the droplet solution. The results show the great potential of this approach in capturing the solution discontinuities very sharply, significantly reducing the uncertainty in determining shadow zone heights and impingement limits.</div></div>

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,954
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,234
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetIcing and De-icing TechnologiesTravaux en français237 207