சுவரில் கட்டப்பட்ட கொந்தளிப்பான ஓட்டங்களில் ஹெலிசிட்டியின் பண்புகள்

சீன அறிவியல் அகாடமியின் இன்ஸ்டிடியூட் ஆஃப் மெக்கானிக்ஸ் இன்ஸ்டிடியூட் ஆப் மெக்கானிக்ஸ் ஆராய்ச்சிக் குழு, சுவரில் கட்டப்பட்ட கொந்தளிப்பான ஓட்டங்களில் ஹெலிசிட்டியின் பல அளவிலான பண்புகளை பற்றி ஆய்வு மேற்கொண்டுள்ளது.

ஹெலிசிட்டி என்பது முப்பரிமாண கொந்தளிப்பில் உள்ள இரண்டாவது-வரிசை கண்ணுக்கு தெரியாத்து மற்றும் மாறாதது. இது கொந்தளிப்பான அமைப்புகளின் பரிணாம வளர்ச்சியில் முக்கிய பங்கு வகிக்கிறது. விமான இயந்திரங்கள், எரிவாயு விசையாழிகள் மற்றும் பிற முக்கிய உபகரணங்களின் செயல்திறனை மேம்படுத்த ஹெலிசிட்டியின் அடிப்படைகள் பற்றிய ஆராய்ச்சி முக்கியமானது.

கொந்தளிப்பு பல நூற்றாண்டுகளாக ஆய்வு செய்யப்பட்டுள்ளது. ஆனால் கொந்தளிப்பில் உள்ள ஹெலிசிட்டியின் புள்ளிவிவர பண்புகள், குறிப்பாக அனிசோட்ரோபி, நன்கு ஆராயப்படவில்லை.

குறைந்த சுழற்சி எண்கள் மற்றும் மிதமான ரெனால்ட்ஸ் எண்களில் ஸ்ட்ரீம்வைஸ் சுழற்சியுடன் கொந்தளிப்பில் உள்ள ஹெலிசிட்டி புள்ளிவிவரங்களை ஆராய்ச்சியாளர்கள் ஆய்வு செய்தனர். அவற்றின் இடம் மற்றும் அளவிலான விநியோகங்கள், அனிஸ்ட்ரோபி மற்றும் குறுக்கு-அளவிலான இடமாற்றங்கள் உட்பட ஆய்வு மேற்கொள்ளப்பட்டது.

அவர்கள் ஹெலிக்ஸ் கோட்பாட்டை ஒரே மாதிரியான மற்றும் சமவெப்ப கொந்தளிப்பான ஓட்டங்களிலிருந்து சுவர்-கட்டுமான கொந்தளிப்பான ஓட்டத்திற்கு நீட்டித்தனர். சுவர் பகுதிக்குள் புதிய அதிகபட்ச ஹெலிசிட்டி கண்டறியப்பட்டது, இது ஹெலிசிட்டி விநியோகங்களுக்கு இடையே வெளிப்படையான அளவிலான பிரிப்புக்கு ஒத்திருக்கிறது.

பிராட்பேண்ட் ஹெலிசிட்டி ஸ்பெக்ட்ரமைத் தக்கவைக்கக்கூடிய வெவ்வேறு அளவுகளுக்கு இடையே வலுவான நேரியல் அல்லாத தொடர்புகளையும் முடிவுகள் காட்டுகின்றன. எண்ணியல் உருவகப்படுத்துதல்கள், சுவர்-கட்டுமான கொந்தளிப்பில் உள்ள ஹெலிசிட்டி அடுக்குகள் சுழல் நீட்சி பொறிமுறையால் ஆதிக்கம் செலுத்துகின்றன என்பதைக் காட்டுகிறது.

இந்த கண்டுபிடிப்புகள் சுழலும் சுவர் கொந்தளிப்பு கோட்பாடு மற்றும் பயன்பாட்டு தொழில்நுட்பம் பற்றிய மிகவும் சிக்கலான ஆராய்ச்சிக்கு தேவையான தத்துவார்த்த அடிப்படையை வழங்கும்.

ஜர்னல் ஆஃப் ஃப்ளூயிட் மெக்கானிக்ஸில் இந்த ஆய்வு வெளியிடப்பட்டது.

References:

  • Yu, C., Yuan, Z., Qi, H., Wang, J., Li, X., & Chen, S. (2022). Kinetic-energy-flux-constrained model using an artificial neural network for large-eddy simulation of compressible wall-bounded turbulence. Journal of Fluid Mechanics932.
  • Baj, P., Portela, F. A., & Carter, D. W. On the simultaneous cascades of energy, helicity, and enstrophy in incompressible homogeneous turbulence.
  • Liu, B., Tang, J., Huang, H., & Lu, X. Y. (2020). Deep learning methods for super-resolution reconstruction of turbulent flows. Physics of Fluids32(2), 025105.
  • Zhou, Z., Wang, S., & Jin, G. (2018). A structural subgrid-scale model for relative dispersion in large-eddy simulation of isotropic turbulent flows by coupling kinematic simulation with approximate deconvolution method. Physics of Fluids30(10), 105110.
  • Qi, H., Li, X., Zhou, H., & Yu, C. (2019). New methodology based on energy flux similarity for large-eddy simulation of transitional and turbulent flows. arXiv preprint arXiv:1910.13812.

Leave a Reply

Optimized by Optimole
WP Twitter Auto Publish Powered By : XYZScripts.com