Modelling of Flow-Induced Vibration of Bluff Bodies: A Comprehensive Survey and Future Prospects
Notice bibliographique
Résumé
A comprehensive review of modelling techniques for the flow-induced vibration (FIV) of bluff bodies is presented. This phenomenology involves bidirectional fluid–structure interaction (FSI) coupled with non-linear dynamics. In addition to experimental investigations of this phenomenon in wind tunnels and water channels, a number of modelling methodologies have become important in the study of various aspects of the FIV response of bluff bodies. This paper reviews three different approaches for the modelling of FIV phenomenology. Firstly, we consider the mathematical (semi-analytical) modelling of various types of FIV responses: namely, vortex-induced vibration (VIV), galloping, and combined VIV-galloping. Secondly, the conventional numerical modelling of FIV phenomenology involving various computational fluid dynamics (CFD) methodologies is described, namely: direct numerical simulation (DNS), large-eddy simulation (LES), detached-eddy simulation (DES), and Reynolds-averaged Navier–Stokes (RANS) modelling. Emergent machine learning (ML) approaches based on the data-driven methods to model FIV phenomenology are also reviewed (e.g., reduced-order modelling and application of deep neural networks). Following on from this survey of different modelling approaches to address the FIV problem, the application of these approaches to a fluid energy harvesting problem is described in order to highlight these various modelling techniques for the prediction of FIV phenomenon for this problem. Finally, the critical challenges and future directions for conventional and data-driven approaches are discussed. So, in summary, we review the key prevailing trends in the modelling and prediction of the full spectrum of FIV phenomena (e.g., VIV, galloping, VIV-galloping), provide a discussion of the current state of the field, present the current capabilities and limitations and recommend future work to address these limitations (knowledge gaps).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».