Performance Evaluation of the RANS Models in Predicting the Pollutant Concentration Field within a Compact Urban Setting: Effects of the Source Location and Turbulent Schmidt Number
Notice bibliographique
Résumé
Computational Fluid Dynamics (CFD) is used to accurately model and predict the dispersion of a passive scalar in the atmospheric wind flow field within an urban setting. The Mock Urban Setting Tests (MUST) experiment was recreated in this work to test and evaluate various modeling settings and to form a framework for reliable representation of dispersion flow in compact urban geometries. Four case studies with distinct source locations and configurations are modeled using Reynolds-Averaged Navier–Stokes (RANS) equations with ANSYS CFX. The performance of three widely suggested closure models of standard k−ε, RNG k−ε, and SST k−ω is assessed by calculating and interpreting the statistical performance metrics with a specific emphasis on the effects of the source locations. This work demonstrates that the overprediction of the turbulent kinetic energy by the standard k−ε counteracts the general underpredictions by RANS in geometries with building complexes. As a result, the superiority of the standard k−ε in predicting the scalar concentration field over the two other closures in all four cases is observed, with SST k−ω showing the most discrepancies with the field measurements. Additionally, a sensitivity study is also conducted to find the optimum turbulent Schmidt number (Sct) using two approaches of the constant and locally variable values.
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 | 0,001 | 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 ».