Performance of Turbulence Models in Simulating Wind Loads on Photovoltaics Modules
Notice bibliographique
Résumé
The performance of five conventional turbulence models, commonly used in the wind industry, are examined in predicting the complex wake of an infinite span thin normal flat plate with large pressure gradients at Reynolds number of 1200. This body represents a large array of Photovoltaics modules, where two edges of the plate dominate the flow. This study provided a benchmark for capabilities of conventional turbulence models that are commonly used for wind forecasting in the wind energy industry. The results obtained from Reynolds Averaged Navier-Stokes (RANS) k - ε , Reynolds Normalization Group (RNG) k - ε , RANS k - ω Shear Stress Transport (SST) and Reynolds Stress Model (RSM) were compared with existing Direct Numerical Simulations (DNS). The mean flow features and unsteady wake characteristics were used as testing criteria amongst these models. All turbulence models over-predicted the mean recirculation length and under-predicted the mean drag coefficient. The major differences between numerical results in predicting the mean recirculation length, mean drag and velocity gradients, leading to deficits in turbulence kinetic energy production and diffusion, hint at major difficulties in modeling velocity gradients and thus turbulence energy transport terms, by traditional turbulence models. Unsteadiness of flow physics and nature of eddy viscosity approximations are potential reasons. This hints at the deficiencies of these models to predict complex flows with large pressure gradients, which are commonly observed in wind and solar farms. The under-prediction of wind loads on PV modules and over-estimation of the recirculation length behind them significantly affects the efficiency and operational feasibility of solar energy systems.
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 ».