แบบจำลองความปั่นป่วนใดที่เหมาะสำหรับการวิเคราะห์ CFD บนตัวรถที่คล่องตัว

รหัส CFD เชิงพาณิชย์และโอเพ่นซอร์สใช้วิธีการปิดหลายวิธีสำหรับคำศัพท์การเร่งความเร็วแบบไม่เชิงเส้นของสมการเนเวียร์สโตคส์ (RANS) สมการเรย์โนลด์ส วิธีการทั่วไป (เรียกอีกอย่างว่าแบบจำลองความปั่นป่วน ) รวมถึง

• Spalart – Allmaras (S – A)
• k – ε (k – epsilon)
• k – ω (k – omega)
• SST (การขนส่งความเครียดเฉือนของ Menter)
• แบบจำลองสมการความเครียดของเรย์โนลด์ส

ข้อใดต่อไปนี้เหมาะสำหรับการจำลอง CFD ของตัวถังรถที่คล่องตัว วัตถุประสงค์ของการจำลองคือเพื่อเป็นแนวทางในการปรับแต่งรูปร่างเพื่อลดแรงลากตามหลักอากาศพลศาสตร์ คำตอบที่เป็นแบบอย่างสั้น ๆ จะสรุปข้อดีและข้อเสียของแต่ละวิธีสำหรับแอปพลิเคชันจำลองนี้

รายละเอียดที่อาจเป็นประโยชน์:

ยานพาหนะเป็นรถยนต์ขนาดเล็กหนึ่งคนที่มีขนาดโดยประมาณ

• L = 2.5 ม.
• W = 0.7 ม. และ
• H = 0.5 m

มันจะเดินทางด้วยความเร็วตั้งแต่ 0 m / s ถึงประมาณ 12 m / s ล้อทั้งสามถูกล้อมรอบด้วยซองตัวถังและยานพาหนะมีระยะห่างจากพื้นประมาณ 15 ซม. ยกเว้นใกล้กับล้อที่เปลือกตัวถังยื่นลงไปภายใน 1 ซม. ของพื้นผิวถนน

โดยทั่วไปแล้วกองทัพอากาศพลศาสตร์ที่ความเร็วเหล่านี้มีความสำคัญน้อยมาก แต่สมมติว่ารถคันนี้ได้รับการออกแบบให้แข่งขันใน "Super Mileage" การแข่งขันบนเส้นทางที่ราบรื่นมีน้ำหนักเบามากและใช้ส่วนประกอบของระบบขับเคลื่อนที่มีแรงเสียดทานต่ำดังนั้น Aerodynamic กองกำลังมีผลกระทบอย่างมีนัยสำคัญในการใช้เชื้อเพลิงที่ทำได้

รูปแบบความวุ่นวายสามารถสร้างความแตกต่างในการจำลองของคุณ มีแบบจำลองความวุ่นวายมากมายรอบ ๆ มันจะกลายเป็นงานที่ยากลำบากในการเลือกหนึ่งในนั้น

ไม่มีรูปแบบความวุ่นวายที่สมบูรณ์แบบ ทุกอย่างขึ้นอยู่กับพารามิเตอร์หลายตัวเช่นหมายเลขของ Reynold ไม่ว่าจะเป็นการแยกการไหลการไล่ระดับความดันความหนาของชั้นขอบและอื่น ๆ ในคำตอบนี้ข้อมูลสั้น ๆ เกี่ยวกับรุ่นยอดนิยมบางรุ่นนั้นจะได้รับพร้อมกับข้อดีข้อเสียและแอปพลิเคชั่นที่มีศักยภาพ อย่างไรก็ตามผู้ใช้ที่สนใจสามารถดูเว็บไซต์ NASA ที่ยอดเยี่ยมและการอ้างอิงในนั้นเพื่อทราบข้อมูลเพิ่มเติมเกี่ยวกับการสร้างแบบจำลองความปั่นป่วน

A) รุ่นอุปกรณ์หนึ่ง:

1. Spalart-Allmaras

รุ่นนี้สามารถหาตัวแปรเพิ่มเติมอีกหนึ่งตัวแปรสำหรับความหนืดของ Spalart-Allmaras จากเอกสารขององค์การนาซ่าระบุว่ามีการดัดแปลงหลายอย่างในรุ่นนี้เพื่อวัตถุประสงค์เฉพาะ

จุดเด่น : มีหน่วยความจำน้อยลง, มีความแข็งแรง, มาบรรจบกันอย่างรวดเร็ว

จุดด้อย : ไม่เหมาะสำหรับการไหลแบบแยก, ชั้นเฉือนอิสระ, ความปั่นป่วนเนื้อที่, การไหลภายในที่ซับซ้อน

การใช้ประโยชน์ : การคำนวณในเลเยอร์ขอบเขตทั้งการไหลถ้าอ่อนหรือไม่มีการแยกการบินและอวกาศและการประยุกต์ใช้รถยนต์สำหรับการคำนวณเริ่มต้นก่อนที่จะไปที่แบบจำลองที่สูงขึ้นการคำนวณการไหลแบบอัดได้

การบังคับใช้กับกรณีของคุณ : ผู้สมัครที่ดีสำหรับการลดเวลาในการจำลอง คุณสามารถทำนายการลากได้ค่อนข้างดีกับรุ่นนี้ อย่างไรก็ตามหากคุณสนใจที่จะรู้ขอบเขตการแยกการไหลโมเดลนี้จะไม่ให้ผลลัพธ์ที่แม่นยำสูง

________________________________________________________________________________

B) รุ่นสองอุปกรณ์:

1. $k$$\epsilon$

$k$$\epsilon$

จุดเด่น : ง่ายต่อการใช้งานการบรรจบกันอย่างรวดเร็วคาดการณ์การไหลในหลายกรณีการปฏิบัติที่ดีสำหรับอากาศพลศาสตร์ภายนอก

จุดด้อย : ไม่เหมาะสำหรับเครื่องบินไอพ่น axi-symmetric กระแสน้ำวนและการแยกที่แรง ความไวต่ำมากสำหรับการไล่ระดับสีที่ไม่พึงประสงค์แรงดัน, ยากที่จะเริ่มต้น (ต้องเริ่มต้นด้วย Spalart-Allmaras), ไม่เหมาะสำหรับการใช้งานใกล้กำแพง

ใช้ : เหมาะสำหรับการวนซ้ำเริ่มต้น, ดีสำหรับการไหลภายนอกรอบรูปทรงเรขาคณิตที่ซับซ้อน, เหมาะสำหรับชั้นแรงเฉือนและการไหลแบบไม่มีกำแพงล้อมรอบฟรี

$Re = 1.98*10^6$$k$$\epsilon$

$k$$\omega$

$k$$\omega$$k$$\epsilon$

จุดเด่น : ยอดเยี่ยมสำหรับเลเยอร์ขอบเขต, ทำงานในการไล่ระดับความดันที่ไม่พึงประสงค์, ทำงานสำหรับกระแสที่แยกออกจากกัน, เจ็ตส์และชั้นเฉือนอิสระ

ข้อด้อย : เวลาที่ใช้ในการคอนเวอร์เจนซ์นั้นมากขึ้นหน่วยความจำต้องใช้ความละเอียดของตาข่ายใกล้ผนังทำนายล่วงหน้าและแยกมากเกินไป

การใช้ประโยชน์ : การไหลภายใน, การไหลของท่อ, กระแสเจ็ต, กระแสน้ำวน

$\omega$

$k$$\omega$

$k$$\omega$$k$$\epsilon$

$k$$\omega$

$k$$\omega$

การใช้ประโยชน์ : อากาศพลศาสตร์ภายนอก, การไหลแบบแยก, ชั้นขอบเขตและการไล่ระดับความกดอากาศ

$k$$\epsilon$

ดังนั้นรูปแบบใดที่เหมาะสมที่สุด

$k$$\omega$

และอย่าใช้คำพูดของฉันมัน รายงาน 'การวิเคราะห์อากาศพลศาสตร์และการประเมินค่าสัมประสิทธิ์การลากของนักปั่นจักรยานเวลาทดลอง ' ใช้โมเดล SST บทความนี้เปรียบเทียบผลลัพธ์แบบจำลองความปั่นป่วนทั้งหมดสำหรับอากาศพลศาสตร์นักปั่นจักรยานและมาถึงข้อสรุปว่าแบบจำลอง SST ให้ผลลัพธ์ที่ดีที่สุดโดยรวม ฉันกำลังอ้างถึงผลลัพธ์เหล่านี้เพราะจำนวนที่ชาญฉลาดและขนาดที่ฉลาดของ Reynold จักรยานจะเข้าใกล้สถานการณ์ของคุณมากที่สุดซึ่งมีการศึกษามากมาย

$k$$\epsilon$$k$$\epsilon$$k$$\epsilon$

ถ้าคุณมีทรัพยากรคอมพิวเตอร์ที่ดีขึ้นไปสำหรับLES แต่ฉันรู้สึกว่ามันไม่ได้ถูกเรียกใช้ในกรณีนี้และอาจไม่เหมาะสม ฉันไม่มีประสบการณ์กับ LES จึงไม่สามารถออกความเห็นได้

แหล่งข้อมูลที่น่าสนใจ:

1. The FOAM house : หากคุณต้องการเรียนรู้ OpenFOAM ทีละขั้นตอน

2. ความก้าวหน้าล่าสุดในการสร้างแบบจำลองเชิงตัวเลขของกระแสเชี่ยว

3. $21^{st}$

4. แบบจำลองความปั่นป่วนและการประยุกต์กับกระแสเชิงซ้อน

ดีที่สุด!

ไชโย!

ฉันไม่สามารถพูดได้ว่านี่จะเป็นคำตอบในอุดมคติ แต่ควรให้คุณเริ่มต้น ตามที่เห็นได้ชัดฉันไม่ใช่ผู้เชี่ยวชาญที่แท้จริง

$\epsilon$$\omega$

ภายในช่วงกลางปีที่สาม SST คือ (ดังนั้นฉันบอก) ดีกว่าในการทำนายการแยกการไหลอย่างถูกต้อง อีกสองคนมีนิสัยที่ไม่ทำนายว่าจะต้องแยกจากกันเมื่อใด เนื่องจากการแยกโดยทั่วไปทำให้เกิดการลากสิ่งเหล่านี้อาจทำให้การออกแบบมีข้อบกพร่องดูดี

ในขณะที่ RSM จะเป็นที่ต้องการแน่นอนถ้าเป็นไปได้มันจะใช้เวลามากที่สุดเพราะมันจะเพิ่ม 7 สมการที่ด้านบนของ NS 10 ปีที่แล้วคุณอาจจะต้องตัดสินใจเลือกที่นี่ วันเหล่านี้คุณควรจะสามารถย้อนกลับโมเดล RSM ของยานพาหนะประเภทนี้ในเวลาที่เหมาะสม

ฉันได้ทำงานเกี่ยวกับการออกแบบ aero FSAE (รถแข่งที่นั่งเปิดล้อเดียว) ในช่วงสองสามเดือนที่ผ่านมาและพบว่าการใช้ RSM นั้นสมเหตุสมผลในการใช้งานบนแล็ปท็อประดับสูงหรือเดสก์ท็อปแท่นขุดเจาะเกม นอกจากนี้คุณยังสามารถค้นหาสถานที่ที่คุณสามารถเช่ารันไทม์หากคุณต้องการประเมินการออกแบบซ้ำจำนวนมาก ฉันสามารถเพิ่มชื่อของ บริษัท ที่เราใช้นั้นถูกตั้งค่าให้เรียกใช้ซอฟต์แวร์ที่เราต้องการและช่วยเราออกราคานักเรียน (บางคนโปรดแสดงความคิดเห็นหากเหมาะสมสำหรับ SE)

การสัมผัสกันเล็กน้อย: ฉันขอแนะนำอย่างยิ่งให้คุณมองหาเอกสาร (การทดลองตามอุดมคติ) ที่คุณสามารถใช้เพื่อตรวจสอบวิธีการของคุณ เราตรวจสอบให้แน่ใจว่าเราสามารถสร้างผลลัพธ์ (ภายในเหตุผล) จากการทดลองอุโมงค์ลมก่อนที่เราจะดำเนินการออกแบบของเราเอง สิ่งสำคัญคือการรันการวิเคราะห์ความไวของตาข่ายเพื่อให้แน่ใจว่าคุณแก้ไขโครงสร้างของการไหล

นอกจากนี้เลเยอร์ปริซึมที่หลุดออกมาจากพื้นผิวของคุณ (เพื่อแก้ไขเลเยอร์ขอบเขต) ให้ดียิ่งขึ้นก็เป็นสิ่งสำคัญเช่นกัน

สุดท้าย: เอกสารนี้จากคนที่ Fluent ค่อนข้างเก่า แต่ก็ยังมีประโยชน์มากในการเริ่มต้นเรา (ขออภัยสำหรับลิงก์ scribd

$k-\omega\:SST$

ในกรณีที่คุณสามารถจำลองได้หลายครั้งฉันจะใช้แบบจำลองที่แตกต่างกันและเปรียบเทียบ วิธีนี้คุณสามารถระบุอิทธิพลของรูปแบบความปั่นป่วนในแอปพลิเคชันเฉพาะของคุณ

คุณช่วยอธิบายได้ไหมว่าคุณกำลังมองหาการกระจายความเร็วที่เหมาะสมหรือหากคุณสนใจที่จะแยกกันมากขึ้น?