CFD simulation of thunderstorm outflow and atmospheric boundary layer winds interactions in urban canyons: Validation and flow dynamics
Notice bibliographique
Résumé
Thunderstorm outflows generate intense near-ground winds that pose significant risks to urban infrastructure. However, outflow wind actions are not included in structural design codes because their interactions with urban environments are not yet fully understood. This study employs Computational Fluid Dynamics (CFD) to simulate outflow propagation in urban canyons under the influence of background atmospheric boundary layer (ABL) winds. Wind tunnel measurements are used to validate the CFD results, with a focus on the performance of Reynolds-Averaged Navier–Stokes turbulence models. The low-Reynolds k − ε model, combined with a highly refined mesh ( y + <5), effectively captures near-wall flow dynamics and accurately replicates experimental data. CFD reveals critical flow details at the surface, where outflow peaks, and at rooftop levels—areas that are often inaccessible to physical instruments. Interestingly, peak velocities in weak ABL wind conditions are significantly higher than in stronger ABL wind cases, highlighting nonlinear interactions between ABL and outflow winds. Compared to open terrain (i.e., no canyon), low-rise (15 m) and high-rise (50 m) urban canyons increase peak near-ground wind velocities by over 70 % and 130 %, respectively, under a weak ABL wind condition. The canyon geometry confines the outflow by preventing its radial spread and, therefore, maintains high velocities over greater vertical and radial distances. By complementing experimental studies, CFD offers valuable insights into urban wind behavior and supports efforts to enhance wind resilience in cities.
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 ».