Fluid–structure interaction analysis of the aeroelastic response in the flexible outer windshield of a high-speed train considering installation location
Notice bibliographique
Résumé
As train speeds increase, the outer windshields become susceptible to vibration deformation and fatigue damage under aerodynamic forces. Previous research on outer windshields treated them as rigid structures, neglecting the interaction between aerodynamic excitation and windshield vibration. This paper proposes the unsteady Reynolds-averaged Navier–Stokes turbulence model and the fluid–structure interaction (FSI) method to study the vibration of outer windshields. The numerical method's accuracy and reliability are validated through full-scale test data and videos. Step heights between the outer windshields and the train body are utilized to suppress the vibration of the outer windshield. The results indicate that the upstream outer windshield (W1) deforms outward first, followed by the downstream outer windshield (W2) deforming outward during W1's rebound process, resulting in periodic vibration. The step causes the flow separation region of the upstream fluid to lag when the step height increases from 0 to 30 mm. Thus, the average vibration displacements of W1 and W2 decrease by 96.8% and 94.9%, respectively. The dominant frequencies of the corresponding displacement power spectra both increase by 0.5 Hz, reducing the likelihood of flow-induced vibration in the outer windshields. Additionally, the average stresses of W1 and W2 decrease by 82.9% and 34.4%, respectively, significantly enhancing the fatigue life of the outer windshields. The results of this study provide important guidance for the design of windshield structures for the next-generation high-speed trains. The FSI simulation method offers new insights for the study of flow-induced vibration phenomena in thin-walled structures of trains.
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 | 0,002 |
| 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 ».