Deep Iterative Convergence of Reynolds-Averaged Navier–Stokes Methods for High-Lift Aircraft Geometries
Notice bibliographique
Résumé
The fifth edition of the High-Lift Prediction Workshop (HLPW5) was organized to evaluate the computational fluid dynamics (CFD) community’s capability to accurately predict flows and aerodynamic loads in complex high-lift configurations. While the workshop led to significant progress, several questions remained unanswered, and recurring challenges persisted across multiple editions. The complex geometries introduced by high-lift devices, such as slats, flaps, and their associated brackets, lead to the formation of large separation regions in Reynolds-averaged Navier–Stokes (RANS) solutions that are not observed in experimental oil-flow visualizations. Furthermore, the emergence of these large separation areas compromises the ability of RANS solvers to achieve deep iterative convergence. Addressing and overcoming these challenges is a critical step toward ensuring consistency and alignment across different CFD RANS solvers. To tackle this issue, the present work focuses on one of the challenges raised by the HLPW5 RANS Technology Focus Group: achieving iteratively converged solutions for complex high-lift configurations. This is accomplished through the successful application of the selective frequency damping method, which enables RANS solvers to converge toward unstable equilibrium solutions. Additionally, this study presents observations regarding the pseudo-unsteady nature of the large separation regions identified in the RANS solutions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».