Evaluation of Modeling the Effects of Surface Roughness
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
View Video Presentation: https://doi.org/10.2514/6.2022-2571.vid On well-designed aerodynamic vehicles, the skin friction contribution to the total vehicle drag can approach 50%. However, after more than a century of study, the prediction of skin friction remains a significant challenge. Further, the effects of surface roughness provide additional challenges. Wind tunnel models are generally machine-finished smooth and tested at Reynolds numbers that do not match flight conditions. The vehicle designer must alter the wind tunnel measured values to account for flight Reynolds numbers and surface roughness. Although several options for these corrections are available, the typical procedure involves the use of semi-empirical formulae for such adjustments. Most Computational Fluid Dynamics (CFD) codes have parameters to account for various degrees of surface roughness. However, more studies are required to evaluate these models over a range of Mach numbers, Reynolds numbers, and surface textures. This work presents the evaluation of the commercially available STAR-CCM+ (Siemens PLM) and CFD++ (Metacomp Technologies) codes against each other and experimental data for several different surface textures, Mach numbers, and Reynolds numbers. The CFD codes were executed for flows over a flat plate with several different sand grain surface roughness levels. To avoid addressing the modeling of flow transition, the experimental data were tripped, and the CFD solutions were run in fully turbulent mode. The results show reasonable agreement in the calculations of the skin friction loading. However, for detailed design (drag needing to be predicted within a few counts), the CFD still showed notable errors.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découle