عنوان مقاله :
توسعه روش ميدانهاي تصادفي براي شبيهسازي مستقيم عددي كاهش درگ با ميكروفيبر در جريان كانال آشفته
عنوان فرعي :
Development of stochastic field method for DNSofdrag reduction by microfibers inturbulent channel flow
پديد آورندگان :
موسايي، امين نويسنده استاديار مهندسي مكانيك، دانشگاه ياسوج Moosaie, Amin
اطلاعات موجودي :
ماهنامه سال 1393 شماره 0
كليدواژه :
روش ميدانهاي تصادفي , سوسپانسيون ميكروفيبر , شبيهسازي مستقيم عددي , كاهش درگ آشفته , جريان كانال
چكيده فارسي :
در اين پژوهش، روش ميدانهاي تصادفي براي شبيهسازي مستقيم عددي كاهش درگ آشفته به كمك ميكروفيبرهاتوسعه داده شده است. براي اين منظور، معادلات حاكم بدون هيچ سادهسازي بر روي يك شبكه اويلري در فضاي فيزيكي گسسته شدهاند. براي گسستهسازي از يك روش تفاضل محدود بالادست مرتبه پنجم استفاده شده است. در فضاي حالت نيز يك روش مونت-كارلو بكار رفته است. سپس معادلات ناوير-استوكس سه بعدي و وابسته به زمان براي جريان تراكمناپذير يك سيال غير نيوتنيبطور عددي براي جريان كانال آشفته حل شدهاند. كميت هاي آماري آشفته بدست آمده از روش پيشنهادي با دادههاي حاصل از روش لاگرانژي مقايسه و دقت بالاي روش جديد نشان داده شده است. مزيت اصلي روش جديد حجم محاسبات كم آن نسبت به روش لاگرانژي است.
چكيده لاتين :
In this study, the stochastic field method is developed for the direct numerical simulation of turbulent drag reduction by microfibers. For this purpose, the governing equations without any simplification are discretized on an Eulerian grid. A fifth-order upwind scheme is used for the discretization. A Monte-Carlo method is employed in the conformation space. Then, three-dimensional, time-dependent Navier-Stokes equations for the incompressible flow of a non-Newtonian fluid are numerically solved for a turbulent channel flow. Statistical quantities obtained by the proposed method are compared with those of a Lagrangian method and the high precision of the new method is demonstrated. The main advantage of the new method is its low computational cost.
عنوان نشريه :
مهندسي مكانيك مدرس
عنوان نشريه :
مهندسي مكانيك مدرس
اطلاعات موجودي :
ماهنامه با شماره پیاپی 0 سال 1393
كلمات كليدي :
#تست#آزمون###امتحان