Laminar–Turbulent Transition Prediction on Industrial Computational Fluid Dynamics Applications
Notice bibliographique
Résumé
This paper presents Ansys Fluent laminar–turbulent transition results using the shear stress transport [Formula: see text] model applied to the workshop cases of the First American Institute of Aeronautics and Astronautics Computational Fluid Dynamics (CFD) Transition Modeling Prediction Workshop. The key objectives of this workshop were to assess the current state-of-the-art laminar–turbulent transition models in an industrial Computational Fluid Dynamics environment and to determine and document the best practices to simulate laminar–turbulent transition flows. Sensitivity of the shear stress transport [Formula: see text] model to mesh refinement was established on a zero-pressure-gradient flat plate. Two other cases [a two-dimensional natural laminar flow (NLF) (1)-0416F airfoil, and a scaled Common Research Model (CRM)-NLF aircraft model] were selected as validation cases using a hierarchy of structured and unstructured meshes. Due to the complexity of the geometry and the airflow around the Common Research Model (CRM)- Natural laminar Flow (NLF) aircraft model, mesh adaptation cycles were also conducted to capture the shock, the wake, and the wing-tip vortices produced by the CRM-NLF. The accuracy of the [Formula: see text] model is evaluated using transition location measurements obtained with temperature-sensitive paint, pressure coefficient distributions at multiple wingspan stations, and aerodynamic coefficients at numerous angles of attack. The outcome of these comparisons will provide guidelines to conduct laminar–turbulent transition simulations with the [Formula: see text] model on simple and complex aerospace designs.
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 ».