Aerodynamic performance and flow dynamics of High-Speed train under crosswind: Effect of turbulence model
Notice bibliographique
Résumé
This study employs Reynolds-averaged Navier–Stokes (RANS), improved delayed detached eddy simulation (IDDES), scale-resolving hybrid (SRH), and large eddy simulation (LES) turbulence models to conduct a comparative numerical analysis of the aerodynamic load characteristics and surrounding flow field structure of a high-speed train at a Reynolds number of 250 000 and a yaw angle of 30°. The influence of the Gamma Re-Theta transition model and grid resolution on the computational results is investigated. The findings indicate that the LES method based on the wall-adapting local eddy-viscosity (WALE) model performs well with sufficiently refined grids, exhibiting small errors compared to wind tunnel tests. Without using a transition model, the RANS, IDDES, and SRH turbulence models are unable to accurately capture the near-wall flow characteristics at any grid resolution, consequently failing to accurately predict the pressure and pressure fluctuation distribution on the train surface. This fundamental deficiency stems from the models' difficulty in capturing instabilities within the free shear layer. When a transition model was employed, both the IDDES and SRH turbulence models demonstrated improved capability in predicting the train's aerodynamic performance. Furthermore, SRH exhibited superior grid adaptability, and it maintained excellent performance even on coarse grids and achieved computational accuracy comparable to that of the LES model. The core conclusion of this study confirms that the SRH model, leveraging its robust performance and potential for significant computational cost reduction, emerges as a promising approach for studying highly separated external flows at high Reynolds numbers.
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) | 0,001 | 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 ».