Destabilisation of leading-edge shear layer behind wall-mounted long prisms
Notice bibliographique
Résumé
This numerical investigation focuses on the mechanisms, flow topology and onset of Kelvin–Helmholtz instabilities (KHIs), that drive the leading-edge shear-layer destabilisation in the wake of wall-mounted long prisms. Large-eddy simulations are performed at ${\textit{Re}} = 2.5\times 10^3, 5\times 10^3$ and $1\times 10^4$ for prisms with a range of aspect ratio ( AR , height-to-width) between $0.25$ and $1.5$ , and depth ratios ( DR , length-to-width) of $1{-}4$ . Results show that shear-layer instabilities enhance flow irregularity and modulate spanwise vortex structures. The onset of KHI is strongly influenced by depth ratio, such that long prisms ( ${\textit{DR}}= 4$ ) experience earlier initiation compared with shorter ones ( ${\textit{DR}}= 1$ ). At higher Reynolds numbers, the onset of KHI shifts upstream towards the leading-edge, intensifying turbulence kinetic energy and increasing flow irregularity, especially for long prisms. The results further show that in this configuration, energy transfer from the secondary recirculation region contributes to the destabilisation of the leading-edge shear layer by reinforcing low-frequency modes. A feedback mechanism is identified wherein energetic flow structures propagate upstream through reverse boundary-layer flow, re-energising the leading-edge shear layer. Quantification using probability density functions reveals rare, intense upstream energy convection events, driven by this feedback mechanism. These facilitate the destabilisation process regardless of Reynolds number. This study provides a comprehensive understanding of the destabilisation mechanisms for leading-edge shear layers in the wake of wall-mounted long prisms.
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 ».