Viscosity-modulated clustering of heated bidispersed particles in a turbulent gas
Notice bibliographique
Résumé
Clustering of externally and evenly heated particles is enhanced by the increased viscosity of heated fluid in the vicinity of these clusters – a phenomenon known as viscous capturing (VC). Herein we study, via direct numerical simulations of decaying turbulence, the effect of temperature-driven viscosity on clustering with different particle loading densities. We employ a two-way momentum and energy coupling, and gas viscosity is modelled by a power law to understand the role of the increased drag and particle back-reaction force on the clustering intensity. For the continuum and dispersed phases, Eulerian and Lagrangian point particle schemes have been used, neglecting inter-particle collisions. We found that the enhanced viscosity-driven clustering is a strong function of particle loading density, as the increase in particle number density enables the formation of large uneven clusters before heating, which is the main condition for VC to take effect. Higher number density should result in greater turbulence modulation and negate local temperature-based viscous effects leading to VC. However, due to higher local particle number density in the clusters and interphase heat transfer, increased drag force prevails in such cases and delivers excessive clustering. By sampling conditionally the particle velocity and temperature inside the clusters, it is found that the thermodynamic and kinematic properties of the particles in the clusters are highly correlated, and this correlation increases with the particle loading density. Therefore, based on the particle number density, temperature-based viscosity can enhance considerably the clustering of heated particles and alter the effect of particles on the underlying turbulence.
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) | 0,000 | 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 ».