Assessment of Fan Stall Point Identification Ability of Steady RANS Computations With the Helicity-Corrected Spalart-Allmaras Turbulence Model
Notice bibliographique
Résumé
Abstract Accurate axial fan/compressor stall point prediction using computational fluid dynamics (CFD) has generally been carried out using unsteady computations, often with slowly ramped back pressure. While this approach tends to be accurate with unsteady Reynolds-Averaged Navier Stokes (URANS) computations, it is computationally expensive, often requiring 4–6 rotor blade passages to be included in the computation and necessitating the solution of many rotor revolutions’ worth of flow time. Recently, some work has shown that the helicity-corrected Spalart-Allmaras (HCSA) turbulence model is able, in steady RANS computations, to predict fan stall points within a few percent of experimentally measured operability limits. In this paper, we directly predict stall points by using a steady, multiple reference frame (MRF) or “frozen rotor” approach which employs the HCSA turbulence model. The machine studied is a low-speed axial fan. Computations are carried out using the open-source CFD software package OpenFOAM. The approach is able to predict the stalling flow coefficient to within 0.006 of the experimentally-measured value. Detailed assessments of the flow field at the last stable operating point and at a point just into stall yield show that the HCSA model is able to predict the same stall inception mechanism captured in URANS.
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 | 0,001 |
| 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 ».