Explicit algebraic subfilter scale modeling for DES-like methods and extension to variable density flows - IRSN - Institut de radioprotection et de sûreté nucléaire
Thèse Année : 2019

Explicit algebraic subfilter scale modeling for DES-like methods and extension to variable density flows

Etude expérimentale et numérique par approche RANS et LES d'écoulements stratifiés

Résumé

The aim of this work is to improve the predictive capabilities of hybrid RANS/LES methods HRLM through the development of a subfilter scale model which considers an explicit algebraic relation for the non-isotropic turbulent subfilter stress and turbulent scalar fluxes, contributing to the improvement of the safety analysis concerning hydrogen hazards. Firstly, an Explicit Algebraic Reynolds Stress Model EARSM is developed using the direct solution method and calibrated with Menter's BSL model for incompressible flows in a RANS framework. Secondly, the EARSM model is extended to seamless HRLM specifically in the framework of Equivalent-Detached Eddy Simulation, arriving at the Explicit Algebraic Hybrid Stress Model EAHSM. The calibration of the model constant is performed on the decay of isotropic turbulence. The validation is performed against the DNS data available in the literature for the fully developed Channel flow at a moderate friction Reynolds number of 550 and flow in a square pipe at a friction Reynolds number of 600. Finally, assuming the Boussinesq approximation to be valid, the developed EARSM and the EAHSM models are extended to slightly variable density flows. Following the direct solution of the implicit algebraic relationships, the explicit algebraic model for both the Reynolds stresses and the scalar flux is obtained in a RANS framework which leads to the Explicit Algebraic Scalar Flux Model(EASFM). An effective iterative solution method is used to treat the nonlinearity of the coupled expressions for the algebraic relations. The EASFM is extended to the framework of seamless HRLM. The behaviour of the models is assessed for stably stratified flows
Dans cette thèse, l’objectif est d’améliorer les capacités prédictives des méthodes hybrides RANS/LES par le développement d’un modèle à l’échelle de sous-filtre qui prend en compte une relation algébrique explicite pour les stresses turbulents de sous-filtre non-isotropes et les flux scalaires turbulents. Tout d'abord, un modèle explicite algébrique (EARSM) est développé et calibré avec le modèle BSL de Menter pour les écoulements incompressibles dans un contexte RANS. Deuxièmement, le modèle EARSM est étendu dans le cadre hybrides RANS/LES. Méthodes hybrides RANS/LES spécifiquement dans le cadre de l'Equivalent-Detached Eddy Simulation, aboutissant au modèle hybride explicite algébrique EAHSM. Le travail de validation est réalisé pour l'écoulement entièrement développé du canal à un nombre de Reynolds de frottement à 550 et l'écoulement dans un tuyau carré à un nombre de Reynolds de frottement de 600. Enfin, en supposant que l'approximation de Boussinesq soit valide, les modèles EARSM et EAHSM sont étendus à des écoulements à densité légèrement variable. Suite à la solution directe des relations algébriques implicites, le modèle algébrique explicite pour les contraintes de Reynolds et les flux scalaires est obtenu dans un cadre RANS amené au modèle explicite algébrique de flux scalaire (EASFM). Une méthode itérative est utilisée pour traiter la non-linéarité des expressions couplées pour les relations algébriques. Ensuite, l’EASFM est étendu au cadre des méthodes hybrides RANS/LES. Le comportement des modèles est évalué sur l'écoulement homogène, en stratification stable
Fichier non déposé

Dates et versions

tel-04448934 , version 1 (09-02-2024)

Identifiants

  • HAL Id : tel-04448934 , version 1

Citer

Adithya Ramanathan Krishnan. Explicit algebraic subfilter scale modeling for DES-like methods and extension to variable density flows. Engineering Sciences [physics]. Aix-Marseille Université, 2019. English. ⟨NNT : 2019AIXM0117⟩. ⟨tel-04448934⟩
12 Consultations
0 Téléchargements

Partager

More