《FLUENT 14流场分析自学手册》——1.5 湍流模型

简介:

本节书摘来自异步社区《FLUENT 14流场分析自学手册》一书中的第1章,第1.5节,作者:张惠 , 康士廷著,更多章节内容可以访问云栖社区“异步社区”公众号查看

1.5 湍流模型

FLUENT 14流场分析自学手册
目前处理湍流数值计算问题有3种方法:直接数值模拟(DNS)方法、大涡模拟(LES)方法和雷诺平均N-S方程(RANS)方法。RANS方法是目前唯一能够应用于工程计算的方法,可首先满足动力学方程的湍流瞬时运动分解为平均运动和脉动运动两部分,然后把脉动运动部分对平均运动的贡献通过雷诺应力项来模化,也就是通过湍流模式来封闭雷诺平均N-S方程使之可以求解。由于模式处理的出发点不同,可将湍流模式理论分为两大类,一类称为雷诺应力模式,另一类称为涡黏性封闭模式。在工程湍流问题中得到广泛应用的模式是涡黏性模式。这是由Boussinesq仿照分子黏性的思路提出的,即假设雷诺应力为:

screenshot

均速度应变率成 线性关系,当平均速度应变率确定后,6个雷诺应力只需通过确定一个涡黏性系数v t就可完全确定,且涡黏性系数各向同性,可以通过附加的湍流量来摸化, 如湍动能k,耗散率ε,比耗散率ω以及其他湍流量τ=k/ε、l=k3/2/ε、。根据引入湍流量的不同,可以得到不同的涡黏性模式,如k-ε和k-ω模式等。对应不同模式涡黏性系数可表示为:

screenshot

为使控制方程封闭,引入多少个附加的湍流量,就要同时求解多少个附加的微分方程。根据要求解的附加微分方程的数目,一般可将涡黏性模式分为3类:零方程和半方程模式、一方程模式和两方程模式。

所有一方程和两方程的湍流模型都可写为如下的一般形式:

screenshot

1.SST k−ω双方程模型
该模型在近壁处采用Wilcox k-ω模型,在边界层边缘和自由剪切层采用k-ε模型(k-ω形式),其间通过一个混合函数来过渡。k-ω湍流模型主要求解湍动能k及其比耗散率ω的对流输运方程,对于SST k-ω双方程模型,其湍动能输运方程为:
screenshot

F 1、β、γ、σ k、σ ω均为模型参数,β*为模型常数,取0.09。

2.RNG k−ε湍流模型
RNG k-ε湍流模型是从暂态N-S方程中推出的,其中k方程和ε方程分别为:

screenshot

与标准k-ε模型相比,RNGk-ε湍流模型考虑了湍流漩涡的影响,并为湍流Prandtl数提供了一个解析公式,因而,RNG模型相比于标准k-ε模型对瞬变流和流线弯曲的影响能做出更好的反应。

3.SA湍流模型
用SA模型求解一个有关涡黏性的变量的方程为:
screenshot

式中,d为到物面的最近距离。

screenshot

式中的各个常数为:

如果用湍流模型的一般形式(2.14)表示,令,则:

screenshot

k-ε模型、k-ω模型和SA模型都有各自的性能特点,SA模型对附着边界层的模拟效果与零方程模型相似,除射流外,SA对自由剪切湍流的计算精度较好;k-ε模型是目前为止公认的应用最广泛的湍流模型;k-ω模型对自由剪切湍流、附着边界层湍流和适度分离湍流都有较高的计算精度。

相关文章
|
8月前
|
机器学习/深度学习 数据采集 人工智能
一文掌握AI时代的“造血”神技:合成数据实战
本文深入解析大模型落地核心瓶颈——高质量数据匮乏,并系统介绍“合成数据+微调”双引擎方案:从数据稀缺、隐私合规、标注成本等现实困境切入,详解合成数据原理(GAN/扩散模型)与微调机制,辅以Python实战四步法(生成→清洗→微调→评估),助力开发者低成本打造领域专属模型。
733 8
|
机器学习/深度学习 人工智能 自然语言处理
深度学习模型、算法与应用的全方位解析
深度学习,作为人工智能(AI)的一个重要分支,已经在多个领域产生了革命性的影响。从图像识别到自然语言处理,从语音识别到自动驾驶,深度学习无处不在。本篇博客将深入探讨深度学习的模型、算法及其在各个领域的应用。
2194 3
|
存储 编解码 Prometheus
大模型推理加速实战:vLLM 部署 Llama3 的量化与批处理优化指南
本文详解如何通过量化与批处理优化,在vLLM中高效部署Llama3大模型。涵盖内存管理、推理加速及混合策略,提升吞吐量并降低延迟,适用于大规模语言模型部署实践。
2896 10
|
缓存 数据中心 网络架构
5个减少网络延迟的简单方法
高速互联网对工作与娱乐至关重要,延迟和断线会严重影响效率和体验。本文探讨了导致连接缓慢的三个关键因素:吞吐量、带宽和延迟,并提供了减少延迟的实用方法。包括重启设备、关闭占用带宽的程序、使用有线连接、优化数据中心位置以及添加内容分发网络 (CDN) 等策略。虽然完全消除延迟不可能,但通过这些方法可显著改善网络性能。
4834 7
|
算法 搜索推荐 Java
Java中的Sort
Java中的排序机制主要通过`Arrays.sort()`和`List.sort()`实现。`Arrays.sort()`支持多种排序算法,包括归并排序(`legacyMergeSort`)和TimSort。`legacyMergeSort`采用递归分割数组并合并的方式,适用于小规模数据的插入排序优化。TimSort则结合了归并排序和插入排序的优点,通过分段处理和合并优化排序性能,特别适合处理部分有序的数据。对于数值排序,Java还提供了`DualPivotQuicksort`算法。而`List.sort()`则是将列表转化为数组进行排序后再写回列表。
475 2
|
Java C#
如何避免在C#循环中使用await
如何避免在C#循环中使用await
525 9
|
存储 数据可视化 数据挖掘
使用Matlab绘制简单的二维与三维图形
【10月更文挑战第3天】本文详细介绍了如何在 Matlab 中绘制简单的二维和三维图形,包括曲线图、柱状图、散点图、网格图、表面图、等高线图、多边形填充图、切片图及矢量场等。文章提供了丰富的代码示例,如使用 `plot`、`bar`、`scatter`、`plot3`、`mesh`、`surf`、`contour` 等函数绘制不同类型图形的方法,并介绍了 `rotate3d`、`comet3` 和 `movie` 等工具实现图形的交互和动画效果。通过这些示例,读者可以轻松掌握 Matlab 的绘图技巧,并应用于数据可视化和分析中。
|
机器学习/深度学习 编解码 负载均衡
MoH:融合混合专家机制的高效多头注意力模型及其在视觉语言任务中的应用
本文提出了一种名为混合头注意力(MoH)的新架构,旨在提高Transformer模型中注意力机制的效率。MoH通过动态注意力头路由机制,使每个token能够自适应选择合适的注意力头,从而在减少激活头数量的同时保持或提升模型性能。实验结果显示,MoH在图像分类、类条件图像生成和大语言模型等多个任务中均表现出色,尤其在减少计算资源消耗方面有显著优势。
758 1
|
机器学习/深度学习 数据采集 数据可视化
【优秀python系统毕设】基于Python flask的气象数据可视化系统设计与实现,有LSTM算法预测气温
本文介绍了一个基于Python Flask框架开发的气象数据可视化系统,该系统集成了数据获取、处理、存储、LSTM算法气温预测以及多种数据可视化功能,旨在提高气象数据的利用价值并推动气象领域的发展。
1972 1
|
小程序
【干货】微信小程序如何设置背景图片
【干货】微信小程序如何设置背景图片

热门文章

最新文章