首页/文章/ 详情

利用 V2-f 湍流模型进行更深入的流动研究

2天前浏览6

本文翻译转载于:Cadence Blog

作者:Gaurav

要点


提出一种“代码友好”的模型变体,以提高数值稳定性。

实践表明,如果使用隐式的、逐个方程分离的方法,该变体具有一定优势。这个变体缓解了由壁面边界条件引起的与 Durban 原始模型 相关的“刚度问题”。

当雷诺数较高、近壁网格间距极小时,这种作用更加明显。

 


挖掘 V2-f 湍流模型在复杂流动中的潜力

在高速空气动力学中,利用二阶矩闭合来研究冲击/边界层相互作用的研究很少。究其原因,是雷诺应力方程缺乏明确的二阶扩散项,导致数值稳定性差。(例如,Batten 等,1997;Ha Minh 和 Vandromme,1986;Lien 和 Leschziner,1993)。当所有雷诺应力分量都存储在精确位置时,这个问题会变得更加严重,导致速度与应力解耦和令人头疼的棋盘振荡。

在曲面上设置边界条件较为复杂,这是在数值上实现二阶矩闭合的一个重大挑战。大多数低雷诺数 (Re)二阶矩闭合模型都非常复杂,但只在较为简单的流体场景下进行了验证,例如 Craft 和 Launder(1996)开发的模型。因此,当 y+ 值约为 60 时,需要将高雷诺数模型(Gibson 和 Launder,1978)与标准低雷诺数涡流粘度模型结合起来,以确保湍流仿真中的平滑过渡。

然而,Patel(1985)等人研究的大多数低雷诺数  模型都在涡流-粘度表达式中加入了一个特殊的粘性阻尼函数 ,即 

阻尼函数修正了涡流-粘度公式在接近固体壁面时不适当的渐近行为。它通常是非线性的,并能引起数值刚度。Durbin(1991)建议,在上述方程中,应使用与流线法向的  湍流应力,而不是使用 k 来表示壁面的运动阻塞。

因此, 模型无需再使用粘性阻尼函数。 数量是从输运方程推导而来,这是二阶矩闭合理论的简化版。 方程中的压力-应变项发挥着至关重要的作用,可在壁面附近重新分配湍流能量,确保正确的湍流水平和恢复各向同性。这是通过辅助椭圆松弛方程实现的,该方程提供了更准确的近壁湍流行为表现。


理解 V2-f 湍流模型的核心原则

Durbin 1995 年的突破:针对精密流体分析,揭开原始 V2-f 模型的秘密。

Boussinesq 近似彻底改变了应力-应变关系,提高了准确度。

涡粘度由以下公式得出:

湍流时间由以下公式得出:

湍流长度尺度由以下公式得出:

湍流时间和长度尺度由标准的 k-ɛ 方程确定:

应变率大小定义为:

湍动能的产生定义为:


用 y 表示与墙体垂直的坐标,在无滑移边界上,,得出的结果是

上述方程突出了湍流能量如何从流向分量中重新分配,通过函数 f 的椭圆松弛方程捕获非局部效应。这种方法可确保精确、真实地描述流体中的空间相互作用,为复杂的湍流动力学提供了更深入的见解。

壁面附近的压力-应变 和耗散项 的渐近行为可描述为:

由此得出原始 模型中的边界条件为:

原始模型的系数如下:

其中 d 是到壁面的距离。

椭圆松弛方法:湍流中的代码友好创新(Lien 和 Durban,1996;Lien 等,1998)。

 的边界条件包含了一个  项的四次方,而  出现在分母上。这在层流和过渡区带来了一个挑战, 在此处的定义是不适定的,会引起数值振荡。当采用分离数值过程时,这些振荡变得更为明显,因为它能防止 和  在壁面附近的隐式耦合。这启发人们重新表述了 输运方程中的项:

这里重新定义了,带来椭圆松弛方程的修改,进而更好地捕捉流体动力学。

壁面的 边界条件导致  ,这大大提高了数值稳定性。

注意,这些修改保留了与原始模型相同的渐近近壁行为

随着  ,由椭圆松弛引起的运动阻塞效应消失。

得出的代码友好型模型的常量表示为:


参考文献


Batten, P.E., Loyau, H., Leschziner, M.A., 1997. In: Proceedings of the Workshop on Shock/Boundary-Layer Interaction, UMIST, UK.

Ha Minh, H., Vandromme, D.D., 1986. Modeling of compressible turbulent flows: present possibilities and perspectives. In: Proceedings of the Shear Layer/Shock Wave Interaction, IUTAM Symposium, Palaiseau, Springer, Berlin, p. 13.

Lien, F.S., Leschziner, M.A., 1993. A pressure-velocity solution strategy for compressible flow and its application to shock/boundary-layer interaction using second-moment turbulence closure. ASME J. Fluid Eng. 115, 717.

Durbin, P.A., 1995. Separated flow computations with the k-ɛ-v2 model. AIAA J. 33, 659.

Durbin, P., 1996. On the k-ɛ stagnation point anomaly. Int. J. Heat Fluid Flow 17, 89.

Lien, F.S., Durbin, P.A., 1996. Non-linear k-ɛ-v2 modeling with application to high lift. In: Proceedings of the Summer Program 1996, Stanford University, p. 5. 

Lien, F.S., Kalitzin, G., Durbin, P.A., 1998. RANS modeling for compressible and transitional flows. In: Proceedings of the Summer Program 1998, Stanford University, p. 267.

Lien, F.S., Kalitzin, G., Computations of transonic flow with the v2 - f turbulence model.

▲上下滑动查看更多▼

 


来源:Cadence楷登
ACTSystem非线性湍流UM理论Cadence曲面
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-10-26
最近编辑:2天前
Cadence楷登
签名征集中
获赞 1粉丝 106文章 630课程 0
点赞
收藏
作者推荐

客户之声|InspireSemi 借助 Cadence 数字签核工具为下一代 AI 铺路

InspireSemi 致力于为 HPC、AI、图形分析和其他计算密集型应用开发和提供卓越的加速计算解决方案。InspireSemi 致力于打造开放、多功能的架构,具有极快的速度、节能、开发人员友好的全 CPU 编程模型和改变游戏规则的经济实惠性,因此在与创新者合作方面具有独特的优势。 高性能计算 (HPC)、人工智能 (AI) 和图形分析计算解决方案价格昂贵、编程复杂、能耗较大且适用范围有限。InspireSemi 的片上系统 (SoC) Thunderbird 从多个层面颠覆下一代加速计算,包括原始性能、广泛适用性、低能耗和经济性。该系统采用全 CPU 架构,更易于编程,并且适用于所有高性能计算和 AI 应用。借助 Cadence 的 Digital Full Flow 与 Innovus Implementation System、Genus Synthesis Solution 和 Tempus Timing Solution,Thunderbird SoC 成功完成了流片。 “客户告诉我们,现有的 HPC-AI,和图形分析计算解决方案还不够好,它们价格昂贵、编程复杂、能耗较大且适用范围有限。大多数人对 GPU 并不陌生,因为它们在机器学习和生成式 AI 等,AI 应用中扮演着重要角色。然而,对于全球政商学三界,日常使用的重要应用而言,GPU 的用途相对有限。革命性 Thunderbird SoC 将在多个层面上实现突破,包括原始性能、广泛适用性、低能耗和经济性。CPU 架构更易于编程,因此适用于所有 HPC-AI 应用,包括汽车、航空航天、网络安全、气候与天气建模、基因组学和制药行业中的重要仿真和建模应用。自流片工艺推出以来,我们赢得了全球 HPC-AI 媒体和分析师的高度赞誉。我们很高兴能够与这些行业的众多领军者携手合作开发 Thunderbird,其中包括 Sandia 和 Oak Ridge 等国家实验室,以及得克萨斯大学奥斯汀分校的德克萨斯高级计算中心。此外,我们还与多家世界一流的市场拓展合作伙伴建立了合作关系,包括 Lenovo、Penguin Solutions、Dell OEM 和 Worldwide Technologies。近日,我们还荣获奥斯汀商会颁发的小型企业卓越奖。”—— Doug Norton( CMO, InspireSemi )“我们的产品理念围绕优化性能和功率效率,旨在缩短产品上市时间。为了实现性能、功耗和面积目标,我们与 Cadence 保持密切合作。Cadence 在先进节点设计方面处于领导地位且掌握创新签核技术,因此我们决定采用 Cadence Digital Full-Flow,借助 Cadence 的综合数字流程,我们加快了设计融合。所有签核引擎都紧密集成在 Innovus Implementation System 中,帮助我们团队在紧迫的时间内高效完成设计。 我们非常高兴地宣布,借助 Cadence 的 Genus、Innovus、Quantus 和 Tempus 解决方案,成功在 12nm 制程下完成流片。通过使用经 Foundry 认证的 Quantus 进行参数提取以及利用 Tempus 进行静态时序分析和最终签核,我们大大减少了签核收敛迭代次数,由于这些签核引擎与 Innovus 紧密集成,我们可以快速收敛,顺利赶上紧迫的流片截止期限。我们在先前的流片中使用了 Tempus 并获得了良好的结果,我们将继续与 Cadence 合作,以满足当前和未来项目需求。Cadence Digital Full-Flow 的整体性能和质量,是我们成功按时完成设计的关键。展望未来,与 Cadence 合作对完成我们的使命至关重要。我们不仅携手打造创新解决方案,还为下一代人工智能和高性能计算奠定了坚实基础。对未来,我们充满期许和信心,相信我们的合作将继续推动这个市场的创新和成功。”—— Thomas Fedorko ( COO, InspireSemi ) 来源:Cadence楷登

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈