Developing a predictive model for low-temperature Laval nozzles with applications in chemical kinetics
Notice bibliographique
Résumé
Laval nozzles are used in the CRESU (“Cinétique de Réaction en Écoulement Supersonique Uniforme”) method to generate a collimated low temperature (5–200 K), low pressure (30–500 Pa), high Mach number (1 < M < 20) supersonic jet. Laval nozzles have been designed using the Method of Characteristics (MOC) since the development of CRESU, which is an analytical method that assumes inviscid, isentropic flow, and is routinely used to design nozzle profiles for a particular gas and temperature with a uniform shock free exit. This study aims to provide a robust computational framework to overcome the limitations of the MOC while also providing recommendations on the numerical model setup required to model a low-temperature supersonic jet. It also discusses the blockage effects when using the Pitot tube method for flow characterization, the influence of inlet turbulence and reservoir size. Numerical results are validated using two different experimental apparatuses from research groups at the University of Leeds and the University of Birmingham. Finally, a MATLAB framework was developed and has been provided as an open source toolbox to allow any user to perform computational fluid dynamics on any Laval nozzle, with the ability to change nozzle geometry, operating conditions and bath gas. The toolbox has been rigorously tested against many benchmark cases, which shows that steady-state Reynolds-averaged Navier–Stokes with the k-omega-shear stress transport turbulence model can be used to accurately predict global quantities, such as average temperature in the stable region of the supersonic jet.
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 ».