On the effect of adverse pressure gradients on wall-pressure statistics in a controlled-diffusion aerofoil turbulent boundary layer
Notice bibliographique
Résumé
Wall-pressure and velocity statistics in the turbulent boundary layer (TBL) on a cambered controlled-diffusion aerofoil at $8^{\circ }$ incidence, a Mach number of 0.25 and a chord-based Reynolds number ${Re}_c=1.5\times 10^{5}$ are analysed at four locations on the suction side with zero and adverse pressure gradients (ZPG and APG), characterised by increasing Reynolds numbers based on momentum thickness, ${Re}_{\theta }=319$ , 390, 877 and $1036$ . The strong APG yields a highly non-equilibrium TBL at the trailing edge that significantly affects the turbulent flow statistics. Different normalisations of the full wall-pressure statistics involved in trailing-edge noise are analysed for the first time in such strong APG with convex curvature, and compared with available experimental and numerical data. Good overall agreement is found in the ZPG region, and most results obtained in previous APG TBL can be extended to the present highly non-equilibrium case. The presence of strong APG augments the intensity of wall-pressure fluctuations noticeably at low frequencies, shortens the streamwise and broadens the spanwise coherence of wall-pressure fluctuations in both time and space, and significantly reduces the convection velocity. The wall-pressure power spectral density are found to scale with the displacement thickness, the Zaragola–Smits velocity and the root-mean-squared pressure, the latter possibly being replaced by the local maximum Reynolds shear stress. The other two key parameters to trailing-edge noise modelling, the spanwise coherence length and the convection velocity, rather scale with displacement thickness and friction velocity, respectively.
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) | 0,001 | 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) | 0,000 | 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 ».