Validation of Helicity-Corrected Spalart-Allmaras Model for Corner Separation Prediction in Incompressible Flow with OpenFOAM
Notice bibliographique
Résumé
Steady Reynolds-averaged Navier-Stokes (RANS) computations save significant computational resources compared to unsteady RANS and large eddy simulation (LES). However, the ability of most RANS models to accurately predict flow separation in compressor/fan blade rows is limited. Recent research has focused on reducing the computational cost of predicting compressor/fan stall points with steady computations has shown that the helicity-corrected Spalart-Allmaras (SA) turbulence model is able to avoid over-predicting corner separations and thus lead to converged RANS up to the actual stall point. To date, this model has mostly been implemented in in-house codes or in commercial codes as a user add-on, where the source code is not available. In a recent paper, the authors implemented the helicity-corrected SA model in OpenFOAM, an open-source CFD package. In this paper, the differences in the flow field for RANS solutions with the original SA model, the helicity-corrected SA model, and Menter’s shear stress transport (SST) model are highlighted for a linear cascade with incompressible flow. A NACA 65-1810 cascade is used, and computational results are compared to experimental data.
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 | 0,001 |
| 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 ».