Mean Velocity Scaling of High-Speed Turbulent Flows Under Nonadiabatic Wall Conditions
Notice bibliographique
Résumé
The problem of scaling the near-wall mean velocity profiles of turbulent flows and collapsing them with the law of the wall has been traditionally studied using the conservation of momentum, by employing various levels of assumptions. In the van Driest transformation (“Turbulent Boundary Layer in Compressible Fluids,” Journal of the Aeronautical Sciences, Vol. 18, No. 3, 1951, pp. 145–216), the viscous stress was neglected, whereas in the Trettel and Larsson transformation (“Mean Velocity Scaling for Compressible Wall Turbulence with Heat Transfer,” Physics of Fluids, Vol. 28, No. 2, 2016, Paper 026102), the Reynolds stress was assumed to cancel out. Recent work by Griffin, Fu, and Moin (“Velocity Transformation for Compressible Wall-Bounded Turbulent Flows with and Without Heat Transfer,” Proceedings of the National Academy of Sciences of the United States of America, Vol. 118, No. 34, 2021, Paper e2111144118) used a quasi-equilibrium assumption between turbulence production and dissipation in the log layer and demonstrated success for a wide variety of canonical flows. However, the extent of quasi-equilibrium is not verified, particularly for noncanonical flows. In this work, an alternate transformation is developed using the semilocal gradient of the van Driest transformed velocity, which is principally tied to the dynamics of vorticity transport in the boundary layer. In addition, a modified stress balance is utilized to directly account for and scale the buffer region. The transformation was benchmarked using a similar dataset as in Griffin et al., and comparable performance was obtained. Moreover, at supercritical pressures, the present transformation is found to produce significantly better collapse than existing works.
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».