The CFD Computation and Validation of Effects of Adaptive Mesh Refinement in Sloshing Simulation in A Narrow Tank
Notice bibliographique
Résumé
Strong and precise computational methods are necessary to discover and understand undesirable effects in tanks where liquids slosh, known as sloshing.Sloshing is important for many industrial applications, such as fuel tanks in ships, aircraft, and other transport vehicles.Numerical methods are commonly used in modelling sloshing behaviour, and adaptive mesh refinement (AMR) technology is an effective method used to increase numerical accuracy in sloshing simulations.The primary objective of this research is to conduct Computational Fluid Dynamics (CFD) calculations of sloshing phenomena to establish a methodology for observing the undesirable effects on the relevant system and assess the effectiveness of adaptive mesh refinement by comparing the results of surface impact pressures with experimental case results from literature.A 3D model of a rectangular tank partially filled with water is used to simulate the impact pressure caused by roll motion.The roll motion is based on experimental data and occurs at periods close to the tank's internal wave resonance period.The pressure results are observed from a single monitoring point.Numerical studies are performed using Star CCM+ software.The Volume of Fluid (VOF) based Eulerian method is utilised to model the free surface flow.The study demonstrates the ability of AMR to accurately model sloshing behaviour and compares fixed and AMR grids at different levels.Finally, the results of fixed and adaptive cartesian grids are compared and verified with corresponding experimental data.The results showed that the AMR grid provided higher numerical accuracy, lower computational cost and allowed for more accurate modelling of sloshing behaviour.It is emphasised that the importance of AMR for understanding sloshing behaviour and modelling it accurately.
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 ».