A coupled multigrid solver with wall functions for<scp>three‐dimensional</scp>turbulent flows over urban‐like obstacles
Notice bibliographique
Résumé
Abstract One of the objectives for rapid operational tools for urban atmospheric events is fast calculation of the computational fluid dynamics (CFD) models for multiphase flows to respond to deliberate or accidental chemical, biological, and radiological (CBR) releases. This article addresses the implementation of a coupled multigrid (CMG) method in an in‐house pressure‐based low‐speed CFD solver called STREAM in detail, including its validation against several 2D/3D benchmark test problems pertinent to urban flows. It was identified that solving the advection–diffusion equation of concentration for the prediction of dispersion of CBR agents is computationally very efficient, provided that the input data of turbulence viscosity and flow fields can be supplied in a timely fashion. Since most pressure‐based solvers adopt the segregated SIMPLE algorithm, and the coupling among different (linearized) equations is established via outer iterations on a single grid, its convergence rate is generally poor, particularly for turbulent flows in urban environments involving massive flow separation. The proposed approach and main contribution here is to adopt CMG to solve turbulent flows over urban‐like obstacles efficiently in 2D and particularly 3D, in which the standard Reynolds‐averaged Navier–Stokes turbulence model in conjunction with wall functions is employed. The results presented in this paper demonstrate a speedup ratio based on work unit (WU) for 3D laminar cavity flows of roughly 100, and 25 for 3D turbulent urban flow, depending on grid sizes.
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 | 0,001 |
| 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 ».