A novel velocity discretization for lattice Boltzmann method: Application to compressible flow
Notice bibliographique
Résumé
The lattice Boltzmann method (LBM) has emerged as a powerful tool in computational fluid dynamics and materials science. However, due to the failure to accurately reproduce the third moment of the equilibrium distribution function, the standard LBM formulation does not recover the correct compressible Navier–Stokes equations at macroscale. It only recovers Navier–Stokes in the incompressible limit. The errors include terms that destroy Galilean invariance in the presence of density variations. In this paper, we introduce a new velocity discretization method to overcome some of these challenges. In this new formulation, the particle populations are discretized using a bump function that has a mean and a variance. This introduces enough independent degrees of freedom to set the equilibrium moments to the moments of Maxwell–Boltzmann distribution up to and including the third moments. Consequently, the correct macroscopic fluid dynamics equations for compressible fluids are recovered. This new method does neither require introducing ad hoc correction terms or coupling to an extra potential nor significantly alter the implementation. As a result, it is not considerably more complicated or computationally heavy compared to the original LBM but provides a significantly improved hydrodynamics. We validate our method using several benchmark simulations of isothermal compressible flows, including Poiseuille flow, sound wave decay, Couette flow in the presence of a density gradient, and flow over a cylinder. We show that the new formulation restores Galilean Invariance, by comparison to analytical solutions (less than 0.1% mean error), and is capable of capturing flows with large density variations, high Reynolds numbers (∼1000), and Mach numbers near 1.
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 ».