دینامیک سیالات محاسباتی

دینامیک سیال محاسباتی (CFD) علم به سرعت در حال تحول در حل عددی معادلات حرکت سیال برای تولید پیش بینی های کمی و/یا تجزیه و تحلیل پدیده های جریان سیال است.

اصطلاحات مرتبط:

• سرعت واکنش
• تخلخل
• سینتیک جریان
• محلول
• بستر سیال

درباره این صفحه

دینامیک سیالات محاسباتی

خلاصه ناشر

این فصل به پویایی سیال محاسباتی می پردازد. دینامیک سیال محاسباتی (CFD) علمی است که با کمک رایانه های دیجیتال پیش بینی های کمی از پدیده های جریان سیال را بر اساس قوانین حفاظت (حفاظت از جرم ، حرکت و انرژی) حاکم بر حرکت سیال تولید می کند. CFD از نظر اهمیت و دقت افزایش یافته است. با این حال ، پیش بینی های آن هرگز کاملاً دقیق نیست. از آنجا که بسیاری از منابع احتمالی خطای ممکن است درگیر شوند ، باید هنگام تفسیر نتایج حاصل از تکنیک های CFD بسیار مراقب باشید. متداول ترین منابع خطا در این فصل ذکر شده است. کلید روشهای مختلف عددی تبدیل معادلات مختلف جزئی است که حاکم بر یک پدیده فیزیکی به سیستم معادلات جبری است. تکنیک های مختلف برای این تبدیل در دسترس است. CFD صرفاً ابزاری برای تجزیه و تحلیل مشکلات جریان سیال است. اگر به درستی مورد استفاده قرار گیرد ، می تواند اطلاعات مفیدی را ارزان و سریع ارائه دهد. در این فصل اصول اولیه تفاوتهای محدود و عناصر محدود و کاربردهای آنها در CFD ارائه شده است. انواع دیگری از روشهای عددی وجود دارد ، به عنوان مثال ، روش طیفی و روش عنصر طیفی ، که اغلب در CFD استفاده می شود. آنها رویکرد مشترکی را که معادلات Navier-Stokes را در سیستم معادلات جبری گسسته می کند ، به اشتراک می گذارند.

URL: https://www. sciencedirect. com/science/article/pii/b9780123821003100101

سی امین سمپوزیوم اروپایی در مهندسی فرآیند به کمک رایانه

Gregor D. Wehinger ، Steffen Flaischlen ، در مهندسی شیمی به کمک رایانه ، 2020

2. 1 دینامیک سیال محاسباتی و نرم افزار VR

در دینامیک سیالات محاسباتی ، معادلات تداوم ، انرژی و حفاظت از حرکت به صورت عددی حل می شوند ، در بسیاری موارد با روش حجم محدود. گردش کار CFD شامل (i) پیش پردازش ، (ب) حل و (iii) پس از پردازش است. از این رو ، مهندس CFD معمولی به یک زمینه جامد در ریاضیات ، دینامیک سیالات ، انتقال حرارت و برنامه نویسی رایانه نیاز دارد. یک نوع دوره CFD در دانشگاه ها بر روی قسمت روشهای عددی تنها با چند برنامه CFD تمرکز دارد. نوع دیگر دوره ها یک نرم افزار CFD را معرفی می کند و به دانشجویان اجازه می دهد تا آن را برای مشکلات داده شده اعمال کنند. گنجاندن بسته های CFD تجاری ، مانند ANSYS Fluent یا Star-CCM + از زیمنس PLM ، یک منحنی یادگیری شیب دار را بدون داشتن پیشینه نظری قوی تضمین می کند (هو و همکاران 2008).

در این دوره ، بسته راه حل مهندسی محاسباتی تجاری (CAE) Simcenter Star-CCM + از زیمنس PLM استفاده می شود تا به دانشجویان کل گردش کار CFD را در یک محیط نرم افزاری یکپارچه آموزش دهد. این نرم افزار واردات و ایجاد هندسه ، تولید مش ، حل معادلات حاکم ، تجزیه و تحلیل نتایج و اتصال به سایر نرم افزارهای CAE است. شکل 3 (a) رابط کاربری را با عناصر ظاهر شده نرم افزار Star-CCM + نشان می دهد.

در طی چند سال گذشته ، استفاده از VR برای پردازش CFD به منظور تفسیر نتایج شبیه سازی و برقراری ارتباط آنها با غیر متخصصان به طور پیوسته افزایش یافته است (وو و همکاران 2010). چندین نرم افزار قادر به تجسم نتایج CFD در سه بعد است ، به عنوان مثالParaview ، Unity3D ، Ceetron 3D Viewer و دیگران. در این دوره ، از STAR-CCM + VR استفاده می شود که به دانش آموزان امکان می دهد نتایج شبیه سازی CFD را در یک محیط مجازی کشف کنند. راه حل CFD در حال اجرا یا در حال حاضر همگرا می تواند در Star-CCM + VR بارگیری شود و بیننده می تواند وارد محیط مجازی شود که هدست سپس نمایش می دهد. بیننده به معنای واقعی کلمه در داخل محلول CFD ایستاده و زمینه های جریان ، دما و غلظت را که با نمونه اولیه دیجیتال تعامل دارند ، بررسی می کند ، شکل 3 (b) را ببینید. در Star-CCM + VR ، طبقه زیر مدل و یک سقف در بالا ظاهر می شود. کف صحنه با کف واقعی مطابقت دارد و سقف در موقعیتی از پیش تعریف شده قرار دارد.

URL: https://www. scienceirect. com/science/article/pii/b9780128233771503414

پیش بینی فرسایش مجازی ، بهینه سازی طراحی و ادغام سیستم احتراق سیستم های انژکتور سوخت با فشار بالا

م. گودا ،. V. Srinivasan ، در سیستم های سوخت برای موتورهای IC ، 2012

2. 1 تحویل CFD تجزیه و تحلیل طراحی انژکتور

مفهوم CFD چند منظوره Eulerian ، فناوری کلیدی است که برای پیش بینی پدیده های کاویتاسیون به عنوان تابعی از شرایط نه تنها هندسی بلکه عملیاتی انژکتور دیزل مستقر شده است. تحویل تجزیه و تحلیل شبیه سازی CFD که با استفاده از روش CFD موتور AVL انجام می شود ، کسری از حجم سوخت تبخیر شده در نتیجه کاویتاسیون ، مقدار [MS] مبتنی بر زمان یا مقدار [DEG] میزان تخلیه انژکتور به عنوان تابعی از موقعیت سوزن انژکتور است. در یک چرخه تزریق ، و توزیع مکانی فرسایش در داخل انژکتور به عنوان تابعی از ساعات کار انژکتور.

URL: https://www. scienceirect. com/science/article/pii/b9780857092106500210

طراحی و بهینه سازی موتورهای تزریق مستقیم بنزین با استفاده از دینامیک سیال محاسباتی

7. 6 روند آینده

سرعت محاسباتی CFD و دقت شبیه سازی دو جنبه به همان اندازه مهم شبیه سازی CFD در توسعه و بهینه سازی سیستم احتراق است. شبیه سازی های CFD برای ارائه جهت بهینه سازی طراحی باید به اندازه کافی دقیق باشند. از طرف دیگر ، شبیه سازی CFD باید به اندازه کافی سریع باشد تا به عنوان ابزاری ارزشمند برای ارزیابی چندین طراحی طراحی استفاده شود. قدرت محاسباتی به سرعت در حال رشد در دهه گذشته نقش شبیه سازی CFD را در توسعه سیستم احتراق از یک ابزار تحقیقاتی به یک ابزار بهینه سازی پیش فرض تغییر داده است. در حال حاضر ، ارزیابی کاملی از طراحی سیستم احتراق می تواند در کمتر از یک هفته انجام شود. شبیه سازی CFD به مهندسان این امکان را می دهد تا با کاهش زمان توسعه و هزینه به دلیل کاهش نیاز به تکرارهای سخت افزاری ، سیستم های احتراق با کیفیت بالا را توسعه دهند.

توسعه سیستم های احتراق پیشرفته برای مصرف بهتر سوخت ، چگالی قدرت بالاتر و انتشار پاک کننده ، نیاز به شبیه سازی دقیق تر CFD را تقویت می کند. علاوه بر منابع رایانه ای بهبود یافته ، برای حل فیزیک دقیق ، به مدل های فیزیکی بهتری نیز نیاز است. به عنوان مثال ، به منظور ضبط عملکرد سرد شروع موتور ، سوخت چند جزء و مدلهای سوخت فیزیکی همراه برای مقابله با اتمیزه کردن سوخت ، تبخیر و احتراق برای شبیه سازی رفتار سوخت در طیف گسترده ای از شرایط عملیاتی ضروری است. به منظور درک شکل گیری و تکامل انتشار گازهای گلخانه ای ، شیمی دقیق تر با گونه ها و واکنش های بیشتر و تکنیک های بهتر برای کاهش شیمی ، علاوه بر بازنمایی دقیق تر سوخت ، مورد نیاز است. کاهش ضرب و شتم مهم برای موفقیت در توسعه سیستم احتراق موتور توربو یا فوق العاده شارژ است. توانایی پیش بینی شروع و تکامل ضربه برای درک پدیده Knock و بهبود طرح های موتور برای سرکوب Knock ضروری است. لیانگ و همکاران.(2007) کار اخیر با اتصال مدل سازی CFD و شیمی دقیق ، شروع خوبی برای رسیدگی به این چالش است.

URL: https://www. sciencedirect. com/science/article/pii/b9781845693893500074

ارزیابی مدل های مختلف تلاطم در پیش بینی فرآیندهای جریان کمپرسور پیچ توسط CFD

خلاصه

دینامیک سیال محاسباتی (CFD) نقش مهمی در مدل سازی و طراحی دستگاه های پیچ جابجایی مثبت دارد. این ماده عمدتاً برای شناسایی و تعیین اثرات جریانهای داخلی که با استفاده از روشهای دیگر قابل مدل سازی نیستند ، استفاده می شود. اگرچه برای دستیابی به پیش بینی دقیق از عملکرد کلی ، پیشرفت های چشمگیری حاصل شده است ، اما هنوز جنبه هایی وجود دارد که به طور کامل مورد ارزیابی قرار نگرفته است ، مانند تأثیر مدل سازی آشفتگی بر سرعت محلی. روش معمول استفاده از مدل K-ε است اما بعضی اوقات نمی تواند مقادیر سرعت محلی را در محفظه فشرده سازی و درگاه های اندازه گیری شده توسط Velocimetry لیزر داپلر (LDV) پیش بینی کند.

در این مقاله مدل های تلاطم های مختلف به راحتی در پیش بینی عملکرد کمپرسور پیچ ارزیابی و مقایسه می شود. مدل سازی کمپرسور پیچ با سه مدل تلاطم مختلف در سه اندازه مش مختلف با استفاده از نرم افزار CFD تجاری ANSYS CFX V11 انجام می شود. این پیش بینی ها سپس با اندازه گیری های به دست آمده توسط LDV مقایسه می شوند. در مقاله نشان داده شده است که انعطاف پذیری رویه های توسعه یافته به همراه مدل سازی تلاطم مناسب ، فرصت های بیشتری را برای استفاده گسترده تر از CFD برای تجزیه و تحلیل دستگاه های پیچ دوقلوی در طیف وسیعی از برنامه های جدید ایجاد می کند.

URL: https://www. scienceirect. com/science/article/pii/b978085709208350038

سیزدهمین سمپوزیوم بین المللی مهندسی سیستم های فرآیند (PSE 2018)

Seongwoong Bae ،. جی اچ لی ، در مهندسی شیمی به کمک رایانه ، 2018

4. نتیجه گیری

مدل سازی CFD SCC با ترکیبی از EWF و DPM انجام شد. چندین مشاهدات برای هر جریان از نتایج شبیه سازی CFD انجام شده در شرایط مختلف طراحی و عملکرد ارائه شد. ویژگی های کلیدی که می توانند بر میزان حذف مونومر تأثیر بگذارند ، مورد بررسی قرار گرفت.

بخار با چرخش مخروط ها سریعتر اما با زمان اقامت طولانی تر جریان می یابد و دینامیک سیال بخار توسط باله ها بسیار تشدید می شود. چرخش همچنین به افزایش سرعت فیلم مایع کمک می کند. ضریب انتقال جرم برای میزان حذف مونومر با تغییر سرعت چرخش از 70 به 350 دور در دقیقه می تواند تا 2. 5 برابر افزایش یابد. علاوه بر این ، سطح سطح مایع با تولید قطرات مایع به طور قابل توجهی بزرگ می شود. افزایش 56 ٪ تا 298 ٪ در سطح سطح با چرخش پیش بینی می شود.

URL: https://www. scienceirect. com/science/article/pii/b978044464417502317

سیزدهمین سمپوزیوم بین المللی مهندسی سیستم های فرآیند (PSE 2018)

پسر ICH NGO ،. Wang-Lai Yoon ، در مهندسی شیمی به کمک رایانه ، 2018

خلاصه

یک مدل دینامیک سیال محاسباتی (CFD) برای اصلاح کننده متان بخار از نوع فشرده (SMR) برای تولید هیدروژن بسیار کارآمد از گاز طبیعی ارائه شد. SMR از نوع جمع و جور شامل دو حوزه است: احتراق در مرکز تهیه تقاضای گرمای واکنش و راکتور شکل آستین با یک کاتالیزور برای واکنش های اصلاح کننده متان بخار. مدل تلاطم قابل تحقق K - ε و روش های گسسته (DO) معادله انتقال تابشی (RTE) به مدل CFD استفاده شد. مکانیسم واکنش مبتنی بر حجم کاتالیزور از ادبیات برای واکنش های اصلاح کننده متان بخار در منطقه کاتالیزور متخلخل آستین شکل به تصویب رسید. نتایج مدل CFD با داده های آزمایش ما و سایر مطالعات در مورد SMR از نظر مشخصات دما ، ترکیبات گاز تولید کننده ، میزان تولید ، راندمان گرمایش و شار گرمای دیواری تأیید شد. فشار ، دما ، خطوط جریان جریان ، ترکیبات گاز تولید کننده و میزان واکنش سپس مورد تجزیه و تحلیل قرار گرفت. راکتور SMR نوع جمع و جور موجود ، مشخصات شار گرمای مسطح تر از طرح های راکتور معمولی در ادبیات را نشان داد.

URL: https://www. sciencedirect. com/science/article/pii/b978044464241750046x

چرخش ورودی در کمپرسورهای گریز از مرکز توربوشارژر خودرو

2. 2 اعتبار سنجی CFD

نتایج CFD با و بدون مدل های از دست دادن 1D اعمال شده در شکل های 4 ، 5 و 6 در برابر داده های ایستاده گاز داغ ترسیم شده است. تمام داده های پایه گاز گرم مطابق با SAE J1826 [4] جمع آوری شد. افزایش در دکل آزمایش با استفاده از نوسانات فشار در خط تخلیه کمپرسور برای اطمینان از تکرارپذیری تعریف شده است. تمام نقشه های کمپرسور با استفاده از حداکثر نسبت فشار و سرعت جریان جرم برای هر مجموعه داده کمپرسور کامل از CFD و نتایج آزمایش غیر بعدی شده اند.

نسبت فشار خوب و همبستگی کارایی بین داده های آزمون و شبیه سازی CFD برای C-1 و C-3 به ترتیب در شکل 4 و 6 نشان داده شده است. برخی از خطا در نسبت فشار شبیه سازی شده برای C-2 وجود دارد (شکل 5). این به طور بالقوه با تعامل مرحله شبیه سازی شده با حجم پیمایش مرتبط است.

داده های آزمون افت کارآیی را در سرعت کم نوک نشان می دهد که توسط CFD پشتیبانی نمی شود. کاهش کارآیی نتیجه انتقال حرارتی غیرقابل اجتناب ذاتی با آزمایش پایه گاز گرم است زیرا گرما بین توربین داغ و کمپرسور نسبتاً خنک از طریق محفظه یاتاقان رد و بدل می شود. همان اثر در هر سه نقشه کمپرسور وجود دارد (شکل 4 ، 5 و 6). همانطور که انتظار می رود بزرگترین از سه کمپرسور ، C-3 کمترین کارایی را تنها 7 درصد درصد غیر بعدی کاهش می دهد ، در حالی که C-1 و C-2 افت مشابهی در راندمان اوج در کمترین سرعت نوک تقریبا 20 دارندنکته ها.

حاشیه افزایش در CFD به عنوان سرعت جریان جرم تعریف شده است که حل کننده دیگر نمی تواند به معیاری که قبلاً توضیح داده شد همگرایی کند. برای C-1 ، افزایش در سرعت نوک کم و زیاد بسیار خوب پیش بینی شده است اما خطا از سرعت کم به میانی افزایش می یابد. حداکثر خطا در پیش بینی سرعت جریان جرم CFD برای C-1 است~43 ٪ همانطور که در شکل 4 نشان داده شده است. برای C-2 در شکل 5 خطای قابل توجهی بیشتر در پیش بینی حاشیه افزایش وجود دارد ، این بار حداکثر~65 ٪ ؛مجدداً این به طور بالقوه با شبیه سازی حاوی حجم نامتقارن موجود در کمپرسور آزمایش شده مرتبط است. پیش بینی CFD سرعت جریان جرم برای C-3 در شکل 6 با حداکثر خطای بسیار بهتر است~16 ٪در شبیه سازی های C-1 و C-3 موقعیت "کینک" معمولی در حاشیه افزایش بسیار خوب اسیر می شود.

URL: https://www. sciencedirect. com/science/article/pii/b978008100033500081

بیست و هفتمین سمپوزیوم اروپایی در مهندسی فرآیند به کمک رایانه

Luis Vaquerizo ، María José Cocero ، در مهندسی شیمی با کمک رایانه ، 2017

2. 2 خصوصیات فیزیکی

در شبیه سازی CFD از ناامید کننده های بخار ، مدل سازی خصوصیات فیزیکی به دلیل تغییرات شدید مقادیر آنها بین فازهای مایع و بخار ، به ویژه مرتبط است. اگرچه در این Desuperheater جریانهای ورودی در وضعیت مایع و فوق بحرانی قرار دارند ، اما این تغییرات حتی به عنوان نتیجه نزدیکی نقطه بحرانی برجسته تر می شوند. یک مدل سازی نادرست از خصوصیات فیزیکی به طور مستقیم بر صحت شبیه سازی CFD تأثیر می گذارد. شبیه سازی توزیع دما و محاسبه جریان آب خنک کننده مورد نیاز مستقیماً توابع مقادیر خواص فیزیکی در هر نقطه از desuperheater است. دست کم گرفتن جریان آب خنک کننده مورد نیاز منجر به افزایش دمای خروجی می شود که در آن واکنش هیدرولیز کنترل نمی شود و در نتیجه محصول جانبی تولید می شود. مدل سازی یا چگالی یا گرمای خاص به ویژه پیچیده است زیرا مقادیر آنها در مورد چگالی و از 76،300 J/kg · K تا 4،115 J/kg · K از 166 کیلوگرم در متر 3 تا 1000 کیلوگرم در متر 3 متغیر است. در مورد گرمای خاص. شبیه سازی های سنتی CFD که در آن مایعات فوق بحرانی درگیر هستند همیشه با مدل سازی خصوصیات فیزیکی در مجاورت نقطه بحرانی محدود شده است (برمجو و همکاران ، 2010). به همین دلیل ، به منظور غلبه بر این محدودیت ANSYS Fluent® به طور مستقیم با ASPEN PLUS® در ارتباط بوده است که در آن مدل ترمودینامیکی IAPWS مقادیر خصوصیات فیزیکی را که در شبیه سازی CFD اجرا می شوند ، محاسبه می کند.(Vaquerizo و همکاران ، 2017).

URL: https://www. sciencedirect. com/science/article/pii/b9780444639653504864

سیزدهمین سمپوزیوم بین المللی مهندسی سیستم های فرآیند (PSE 2018)

Merve öner ،. Gürkan Sin ، در مهندسی شیمی به کمک رایانه ، 2018

3. 1 شبیه سازی CFD و محفظه

شبیه سازی CFD برای مطالعه در درجه اول رفتار پویا سیال در تبلور در مقیاس بزرگ همانطور که قبلاً در بخش 2. 1 و 2. 2 ذکر شد ، انجام شد. علاوه بر این ، انتقال حرارت از ژاکت خنک کننده به مایع موجود در کشتی نیز به منظور نظارت بر شیب دما در سیستم اجرا شد. الگوی کلی جریان به منظور استفاده به عنوان معیار پایه برای ایجاد محفظه ها استخراج شد. کل شش محفظه با استفاده از تکنیک منطقه بندی دستی ، که در شکل 3 نشان داده شده است ، تشخیص داده شد. از طرف دیگر ، یک الگوریتم منطقه بندی خودکار در محیط MATLAB برای تجزیه و تحلیل نتایج شبیه سازی CFD تهیه شده است. شبکه محفظه با پذیرش حد تحمل 0. 3 متر بر ثانیه در محوری و 0. 15 متر بر ثانیه در وکتور جریان شعاعی ، در هر محفظه مشخص شد. نقشه محفظه به دست آمده با توجه به هر پارامترهای هدف جداگانه ، جریان شعاعی و محوری ، در شکل 4 نشان داده شده است. نتایج تکنیک های محفظه به عنوان ورودی در شبیه سازی مدل مقیاس-فرایند تبلور دارویی در بخش بعدی 3. 2 استفاده شد.