Những mô hình nhiễu loạn nào phù hợp để phân tích CFD trên thân xe được sắp xếp hợp lý?

Nhiều mã CFD thương mại và mã nguồn mở thực hiện một số phương pháp đóng cho thời hạn tăng tốc đối lưu phi tuyến tính của các phương trình Navier-Stokes (Rans) trung bình của Reynold. Các phương pháp phổ biến (còn được gọi là mô hình nhiễu loạn ) bao gồm

• SpalartTHER Allmaras ( Sạn A)
• k sâu (k ăn epsilon)
• k triệt (kèo omega)
• SST (Vận chuyển ứng suất cắt của Menter)
• Mô hình phương trình ứng suất Reynold

Cái nào trong số này phù hợp với mô phỏng CFD của thân xe được sắp xếp hợp lý? Mục đích của các mô phỏng là hướng dẫn sự tinh chỉnh hình dạng cơ thể để giảm thiểu lực kéo khí động học. Một câu trả lời mẫu mực sẽ phác thảo ngắn gọn những ưu điểm và nhược điểm của từng phương pháp cho ứng dụng mô phỏng này.

Chi tiết hữu ích tiềm năng:

Chiếc xe là một chiếc xe nhỏ một người với kích thước gần đúng

• L = 2,5 m,
• W = 0,7 m và
• H = 0,5 m.

Nó sẽ di chuyển với tốc độ từ 0 m / s đến xấp xỉ 12 m / s. Tất cả ba bánh xe được bao bọc bởi lớp vỏ thân xe và chiếc xe có khoảng sáng gầm xe xấp xỉ 15 cm ngoại trừ gần các bánh xe, nơi vỏ thân xe kéo dài xuống trong vòng 1 cm so với mặt đường.

Thông thường các lực khí động học ở các tốc độ này gần như không đáng kể, nhưng giả sử rằng chiếc xe này đang được thiết kế để cạnh tranh trong một cuộc thi "Super Mileage" trên một đường đua trơn tru, rất nhẹ và sử dụng các thành phần truyền lực ma sát thấp trong suốt, do đó, khí động học lực có ảnh hưởng đáng kể đến mức tiêu thụ nhiên liệu có thể đạt được.

Mô hình nhiễu loạn có thể tạo ra sự khác biệt lớn trong mô phỏng của bạn . Có nhiều mô hình nhiễu loạn xung quanh. Nó trở thành một công việc khó khăn để chọn một trong số họ.

Không có mô hình nhiễu loạn hoàn hảo. Tất cả phụ thuộc vào một số tham số như số của Reynold, cho dù dòng chảy được phân tách, độ dốc áp suất, độ chói của lớp ranh giới, v.v. Trong câu trả lời này, thông tin ngắn gọn về một vài mô hình phổ biến được đưa ra cùng với ưu và nhược điểm và các ứng dụng tiềm năng. Tuy nhiên, người dùng quan tâm có thể xem trang web tuyệt vời này của NASA và các tài liệu tham khảo trong đó để biết thêm về mô hình nhiễu loạn.

A) MỘT MÔ HÌNH THIẾT BỊ:

1. Spalart-Allmaras

Mô hình này giải quyết cho một biến bổ sung cho độ nhớt Spalart-Allmaras. Theo một tài liệu của NASA , có nhiều sửa đổi trong mô hình này được nhắm mục tiêu cho các mục đích cụ thể.

Ưu điểm : Ít bộ nhớ hơn, Rất mạnh mẽ, hội tụ nhanh

Nhược điểm : Không phù hợp với dòng chảy tách biệt, lớp cắt tự do, nhiễu loạn phân rã, dòng chảy phức tạp bên trong

Sử dụng : Tính toán trong các lớp biên, toàn bộ trường dòng chảy nếu nhẹ hoặc không tách rời, ứng dụng hàng không vũ trụ và ô tô, cho các tính toán ban đầu trước khi đi đến mô hình cao hơn, tính toán dòng chảy nén

Khả năng áp dụng cho trường hợp của bạn : một ứng cử viên tốt để giảm thời gian mô phỏng. Bạn có thể dự đoán lực cản khá tốt với mô hình này. Tuy nhiên, nếu bạn muốn biết vùng phân tách dòng chảy, mô hình này sẽ không cho kết quả chính xác cao.

Kể từ khi bắt đầu

B) HAI MÔ HÌNH THIẾT BỊ:

1. $k$mô hình nhiễu loạn - :$\epsilon$

Một mô hình mục đích chung . Mô hình này giải quyết cho động năng ( ) và sự phân tán hỗn loạn ( ). Các phương trình cho mô hình này có thể được tìm thấy tại trang cfd-online này. Mô hình này đòi hỏi các chức năng tường phải được tính toán để thực hiện. Chỉ thích hợp cho dòng chảy hỗn loạn đầy đủ.$k$$\epsilon$

Ưu điểm : đơn giản để thực hiện, hội tụ nhanh, dự đoán dòng chảy trong nhiều trường hợp thực tế, tốt cho khí động học bên ngoài

Nhược điểm : Không phù hợp với máy bay phản lực đối xứng axi, dòng xoáy và tách mạnh. Độ nhạy rất thấp đối với độ dốc áp suất bất lợi, khó khởi động (cần khởi tạo với Spalart-Allmaras), không phù hợp cho các ứng dụng gần tường

Sử dụng : Thích hợp cho các lần lặp ban đầu, tốt cho các dòng chảy bên ngoài xung quanh hình học phức tạp, tốt cho các lớp cắt và các dòng không giới hạn tường miễn phí

Khả năng ứng dụng trong trường hợp của bạn : Mặc dù mô hình này tốt cho tính toán cơ thể vô tội vạ bên ngoài, nhưng nó chỉ phù hợp với dòng chảy hỗn loạn. Vì vận tốc thấp, dòng chảy sẽ trải qua quá trình chuyển đổi từ tầng sang hỗn loạn (max bằng máy tính này ). Bạn có thể có lợi hơn với một biến thể như mô hình - thể thực hiện được . k $Re = 1.98*10^6$$k$$\epsilon$

2. Mô hình nhiễu loạn -$k$$\omega$ :

Giải quyết cho và tần số nhiễu loạn . Cho kết quả tốt hơn cho dòng chảy gần tường. Dự đoán quá trình chuyển đổi (mặc dù đôi khi sớm). Khá nhạy cảm với dự đoán ban đầu và do đó vài lần lặp ban đầu được thực hiện với mô hình - . Bài viết này đưa ra cách xử lý gần tường cho mô hình này. ω k $k$$\omega$$k$$\epsilon$

Ưu điểm : Tuyệt vời cho các lớp biên, hoạt động ở độ dốc áp suất bất lợi, hoạt động cho các dòng chảy tách biệt, phản lực và các lớp cắt tự do

Nhược điểm : Thời gian cần thiết để hội tụ nhiều hơn, tốn nhiều bộ nhớ, Yêu cầu độ phân giải lưới gần tường, dự đoán sự phân tách sớm và quá mức

Sử dụng : Dòng chảy bên trong, Dòng ống, Dòng máy bay phản lực, Dòng xoáy

Khả năng áp dụng trong trường hợp của bạn : Không hoàn toàn phù hợp với trường hợp của bạn vì các giá trị của lớp ranh giới phụ thuộc rất nhiều vào luồng tự do . Điều này đòi hỏi một lưới rất tốt để giải quyết và do đó thời gian tính toán dài. Ngoài ra, nó không giải thích cho việc vận chuyển căng thẳng cắt hỗn loạn.$\omega$

3. - SST$k$$\omega$

Tốt nhất của cả hai thế giới! Mô hình này có chức năng trộn sử dụng - gần tường và - trong luồng miễn phí. Nó không sử dụng các chức năng tường. Tất cả các biến thể của mô hình này có thể được tìm thấy tại trang NASA này .ω k $k$$\omega$$k$$\epsilon$

Ưu điểm : Các tài khoản cho ứng suất cắt hỗn loạn trong khi đưa ra tất cả các lợi ích của mô hình - , dự đoán chính xác cao về phân tách và chuyển tiếp, luồng tự do rất tốt cũng như kết quả lớp ranh giới$k$$\omega$

Nhược điểm : Không phù hợp với dòng chảy tự do và dòng xoáy nhiều như - tiêu chuẩn , Không phù hợp với dòng máy bay phản lực, Yêu cầu độ phân giải lưới mịn gần tường$k$$\omega$

Sử dụng : Khí động học bên ngoài, dòng chảy tách biệt, lớp ranh giới và độ dốc áp suất bất lợi

Khả năng áp dụng trong trường hợp của bạn : Áp dụng cao. Nếu bạn muốn có kết quả tốt hơn, hãy sử dụng một biến thể của mô hình sst sử dụng - RNG hoặc mô hình có thể thực hiện được từ các bức tường$k$$\epsilon$

Vậy mô hình nào là phù hợp nhất?

Tôi đoán sẽ là mô hình - SST. Vì nó sẽ giúp chuyển tiếp, tách và hoạt động tốt hơn ngay cả dưới độ dốc áp suất bất lợi, bạn sẽ có lực kéo ma sát da tốt hơn . Đồng thời, nó hoạt động tốt từ các bức tường, sẽ cung cấp cho bạn lực kéo tốt và do đó kéo ký sinh . Bạn sẽ có được hình dung dòng chảy tốt hơn. Bạn rất có thể sử dụng mô hình Spalart-Allmaras, nhưng nếu bạn thấy nghiên cứu này , bạn sẽ nhận thấy mô hình SST tạo ra sự khác biệt như thế nào.$k$$\omega$

Và đừng tin lời tôi. Một báo cáo về ' Phân tích khí động học và đánh giá hệ số kéo của những người đi xe đạp thử nghiệm thời gian ' sử dụng mô hình SST. Bài viết này so sánh tất cả các kết quả mô hình nhiễu loạn cho khí động học của người đi xe đạp và đi đến kết luận rằng mô hình SST cho kết quả tổng thể tốt nhất. Tôi đang trích dẫn những kết quả này bởi vì số khôn ngoan và kích thước khôn ngoan của Reynold, một chiếc xe đạp đi gần nhất với trường hợp của bạn, với hàng tấn nghiên cứu có sẵn.

Tuy nhiên, nếu thời gian bị hạn chế trong trường hợp của bạn, hãy dùng mô hình Spalart-Allmaras. Bạn cũng có thể dùng RNG - hoặc - thể thực hiện được trong trường hợp đó. Tuy nhiên, nghiên cứu về bánh xe đạp này cho thấy, mô hình SA cho kết quả tốt hơn so với - (đây là mô hình cụ thể rất nhiều, mô hình khác nhau có thể hoạt động cho hình học của bạn). Nếu bạn có toàn bộ thời gian trên thế giới, hãy tiến hành các nghiên cứu sử dụng mô hình SST và epsilon và xuất bản so sánh của bạn để những người khác cũng có thể hưởng lợi từ nó.ε k ε k $k$$\epsilon$$k$$\epsilon$$k$$\epsilon$

Nếu bạn có tài nguyên tính toán tốt hơn, hãy đến LES . Nhưng tôi cảm thấy nó không được gọi trong trường hợp này và nó có thể không phù hợp. Tôi không có kinh nghiệm với LES, vì vậy không thể nhận xét.

Một số tài nguyên thú vị:

1. Nhà FOAM : Nếu bạn muốn tìm hiểu OpenFOAM từng bước

2. Những tiến bộ gần đây về mô hình số của dòng chảy hỗn loạn

3. Các bài giảng về nhiễu loạn trong thế kỷ$21^{st}$ - rất nên đọc nếu bạn muốn hiểu về nhiễu loạn

4. Mô hình nhiễu loạn và ứng dụng của chúng vào dòng chảy phức tạp

Tất cả tốt nhất!

Chúc mừng!

Tôi không thể nói rằng đây sẽ là câu trả lời lý tưởng, nhưng nó sẽ giúp bạn bắt đầu. Như sẽ rõ ràng, tôi không phải là một chuyên gia thực sự.

Chất lượng của các mô hình này thường sẽ tăng lên với độ tinh vi của chúng, trong trường hợp này về cơ bản theo dõi với số lượng phương trình sử dụng. Vì vậy (SA) sẽ kém hiệu quả nhất trong khi k- , k- và SST sẽ tốt hơn. RSM sẽ là tốt nhất.$\epsilon$$\omega$

Trong ba phần giữa, SST là (vì vậy tôi đã nói) tốt hơn trong việc dự đoán chính xác sự phân tách dòng chảy. Hai người kia có thói quen không dự đoán sự tách biệt khi họ nên. Do sự phân tách nói chung gây ra lực cản, những điều này có thể dẫn đến một thiết kế không hoàn hảo có vẻ tốt.

Mặc dù RSM chắc chắn sẽ được ưu tiên nếu có thể, nhưng nó sẽ tốn nhiều thời gian nhất vì nó thêm 7 phương trình lên trên NS. 10 năm trước, bạn có thể đã phải đưa ra một lựa chọn khó khăn ở đây. Luận án ngày bạn sẽ có thể xoay quanh các mô hình RSM của loại phương tiện này trong khoảng thời gian hợp lý.

Tôi đã làm việc trên một thiết kế aero của FSAE (xe đua một bánh mở) trong vài tháng qua và thấy việc sử dụng RSM là hợp lý để chạy trên máy tính xách tay khá cao cấp hoặc bất kỳ máy tính để bàn chơi game đáng nể nào. Bạn cũng có thể tìm thấy những nơi bạn có thể thuê thời gian chạy nếu bạn cần đánh giá một số lượng lớn các lần lặp thiết kế. Tôi có thể thêm tên của một công ty mà chúng tôi đã sử dụng được thành lập để chạy phần mềm mà chúng tôi cần và giúp chúng tôi trả giá cho sinh viên (ai đó vui lòng nhận xét nếu điều đó phù hợp với SE).

Một tiếp tuyến nhỏ: Tôi thực sự khuyên bạn nên tìm kiếm các bài báo (lý tưởng là thử nghiệm) mà bạn có thể sử dụng để xác thực các phương pháp của mình. Chúng tôi đã đảm bảo rằng chúng tôi có thể tạo lại (trong lý do) kết quả từ các thí nghiệm trong hầm gió trước khi chúng tôi tiến hành chạy các thiết kế của riêng mình. Điều quan trọng nữa là chạy phân tích độ nhạy của lưới để đảm bảo rằng bạn giải quyết cấu trúc của dòng chảy.

Ngoài ra, các lớp lăng kính ra khỏi bề mặt của bạn (để giải quyết tốt hơn các lớp ranh giới) rất quan trọng.

Cuối cùng: tài liệu này từ những người ở Fluent hơi cũ, nhưng vẫn rất hữu ích trong việc giúp chúng tôi bắt đầu. (xin lỗi vì liên kết scribd.

Trong trường hợp bạn chỉ có tài nguyên để thực hiện một mô phỏng, tôi sẽ đồng ý với @Subodh và sử dụng .$k-\omega\:SST$

Trong trường hợp bạn có thể đủ khả năng mô phỏng nhiều, tôi sẽ sử dụng các mô hình khác nhau và so sánh. Bằng cách này bạn có thể xác định ảnh hưởng của mô hình nhiễu loạn trong ứng dụng cụ thể của bạn.

Bạn có thể làm rõ nếu bạn đang tìm kiếm một phân phối vận tốc tối ưu hoặc nếu bạn quan tâm hơn đến sự phân tách?