Assessment of turbulence modeling for massively-cooled turbulent boundary layer flows with transpiration cooling
Notice bibliographique
Résumé
We assess Reynolds-averaged Navier–Stokes (RANS) turbulent closures for the prediction of a turbulent boundary layer with transpiration cooling via comparison with a high-fidelity direct numerical simulation database. This study considers the canonical zero-pressure gradient, flat-plate, turbulent boundary layer over a massively cooled wall, with transpiration cooling. The simulations are conducted at a low-subsonic Mach number and we study two transpiration cooling configurations with uniform and slit injection at various blowing ratios. The DNS and RANS simulation setups are nearly identical. The RANS-based turbulence models perform well in the qualitative estimation of the velocity and thermal boundary layer evolution at low-blowing ratios (F = 0.2 and 0.6%); more significant differences are noted at higher blowing ratios (F=2.0%). The RANS models, especially the Spalart–Allmaras model, over-predict turbulence production near the wall which results in faster growth in the boundary thickness; this error becomes more pronounced at higher blowing ratios. Despite the greater mixing of momentum, the thermal mixing is under-predicted compared to the DNS in the uniform blowing case but over-predicted for the slit case. These results suggest that modeling errors in the temperature distribution due to turbulent thermal flux modeling can be significant even if the velocity is correctly modeled.
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 ».