Simulation of the Internal Flow Field of Jet Pumps Using the RANS Method
Notice bibliographique
Résumé
This paper focuses on CFD simulations of the internal flow field of jet pumps, which are passive pumping devices.A numerical method based on the RANS equations is proposed, and its abilities are analysed by comparing the obtained results with the available experimental data.The turbulent flow is simulated using Boussinesq hypothesis which relates Reynolds stresses to the mean velocity gradients via turbulent viscosity.The k-ε model (along with the Standard wall function) and the k-ω SST model are used to calculate the turbulent viscosity for solving the flow in near-wall regions.Before checking the validity of the numerical results, Grid Convergence Index (GCI) is estimated to evaluate the mesh.The analysis showed that the maximum GCI is at the cell near the wall with the value of 0.08%.Comparison of the numerical results and experimental data shows that the model captures the jet pump efficiency range with average relative errors of 7.3% and 8.47% for the k-ε and k-ω SST turbulence models, respectively.The numerical results also confirmed that increasing the flow ratio causes the mixing location between the primary and secondary flows to move toward the outlet of the jet pump, which was observed in the previous experimental investigations.The static pressure coefficient, which indicates the pumping effect of the jet pump, is calculated via both of the turbulence models and the comparison with the experimental data showed that the average relative error is 10.68% and 3.21% for the k-ε model and the k-ω SST model, respectively.The study shows that accurate modelling of jet pump parameters is feasible using RANS approach.
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 ».