CFD Simulation of an S-Bend Diffuser With Passive Full Surface Effusion Cooling: Novel Slot Method Approach
Notice bibliographique
Résumé
Abstract There are different approaches for CFD simulation of effusion-cooled surfaces, such as the 1D Porous Jump Coefficient and periodic boundary conditions. These methods are used to minimize the cost of simulation; however, each model has its own drawbacks. A novel approach called the “Slot Method” has been introduced for the first time in this research. In this method, based on the porosity of the effusion patches, the effusion holes are replaced by a limited number of slots to reduce the cost and time of simulations. The slot method is simulated using the Reynolds-Averaged Navier-Stokes (RANS) methodology to predict the pressure recovery performance of the diffuser, pressure distributions on the walls, outflow velocity distributions, and outflow temperature distributions. The CFD simulations are compared to experimental data from a rectangular S-duct diffuser as well as CFD simulations with 1D Porous Jump Coefficient boundary conditions reported by NG [1]. Four different numbers of slots are simulated using RANS k-ε models to investigate the effect of the number of slots on the main and secondary flows. The simulations show that the higher number of slots has the potential to mimic the behavior of the effusion holes. The simulations exhibit significantly more accurate predictions compared to the 1D Porous Jump Coefficient in terms of pressure recovery performance in the diffuser. Some discrepancies between the experimental data and the Slot Method in the outflow velocity distribution can be attributed to imprecise boundary conditions in the reported 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 | 0,000 |
| 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 ».