Research on the simplified vehicle window buffeting noise with a modified LRN CLES model using a transition-code based method
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 aims to propose a precise turbulence model for vehicle aerodynamics, especially for vehicle window buffeting noise. Design/methodology/approach Aiming at the fact that commonly used turbulence models cannot precisely predict laminar-turbulent transition, a transition-code-based improvement is introduced. This improvement includes the introduction of total stress limitation (TSL) and separation-sensitive model. They are integrated into low Reynolds number (LRN) k- ε model to concern transport properties of total stress and precisely capture boundary layer separations. As a result, the ability of LRN k- ε model to predict the transition is improved. Combined with the constructing scheme of constrained large-eddy simulation (CLES) model, a modified LRN CLES model is achieved. Several typical flows and relevant experimental results are introduced to validate this model. Finally, the modified LRN CLES model is used to acquire detailed flow structures and noise signature of a simplified vehicle window. Then, experimental validations are conducted. Findings Current results indicate that the modified LRN CLES model is capable of achieving acceptable accuracy in prediction of various types of transition at various Reynolds numbers. And, the ability of this model to simulate the vehicle window buffeting noise is greater than commonly used models. Originality/value Based on the TSL idea and separation-sensitive model, a modified LRN CLES model concerning the laminar-turbulent transition for the vehicle window buffeting noise is first proposed.
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 | 0,005 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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