Time-averaging and temporal-filtering in wall-modeled large eddy simulation
Notice bibliographique
Résumé
A turbulent channel flow at a Reynolds number of Reτ=2000 is solved based on the spatially filtered Navier–Stokes equations using large eddy simulation and an in-house code. A nonequilibrium wall model is implemented to predict the flow in the wall layer based on the Reynolds-averaged approach. To mitigate the log-layer mismatch, which is often encountered in wall modeling, two temporal schemes are introduced to average the wall layer solution and to filter the flow information input to the wall layer. It is found that the time periods used for the time-averaging and temporal-filtering schemes affect the performance of the wall model. The results show that shorter time periods enable the wall model to respond to the flow structures in the outer layer and correctly predict the friction velocity. However, the prediction of the friction velocity also depends on the location of the matching point. Locating the matching point further from the wall results in better performance due to the compatibility of the subgrid scale model with the grid resolution further from the wall. The temporal-filtering scheme is used to remove nonessential high-frequency wavelengths that can disturb the functionality of wall modeling. Various combinations of the time-averaging and temporal-filtering time periods are investigated for different locations of the matching point. Overall, it is concluded that using a shorter period for time-averaging and a temporal-filtering period comparable to the turbulent diffusion timescale leads to improved results.
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 ».