STAR-CCM+|K-epsilon湍流模型溯源

【1】引言

三维CFD仿真经典软件很多,我接触过的有Ansys和STAR-CCM+两种。因为一些机缘,我使用STAR-CCM+更多,今天就来回顾一下STAR-CCM+中K-epsilon湍流模型的基本定义。

【2】学习地址介绍

点击链接User Guide可以到达网页版本的STAR-CCM+ 2406介绍页面。

实际上这里的介绍还是比较粗糙,不妨自己认真梳理一下吧,先看一下中英文对照。

中文名 英文名 英文简称
标准K-epsilon Standard K-Epsilon SKE
标准K-epsilon两层模型 Standard K-Epsilon Two-Layer SKE 2L
标准K-epsilon低雷诺数 Standard K-Epsilon Low-Re SKE LRe
可实现K-epsilon Realizable K-Epsilon RKE
可实现的K-epsilon两层模型 Realizable K-Epsilon Two-layer RKE 2L

【3】基本概念

K-epsilon实际上就是两部分概念的直接组合,K代表湍动能,写在公示里面一般用小写字母 k k k,epsilon代表湍流耗散率,写在公式里面一般用希腊字母 ε \varepsilon ε。

【3.1】湍流动能 k k k

湍流动能 k k k的计算式为:
k = 1 2 u i ′ u i ′ ‾ = 1 2 ( u ′ 2 ‾ + v ′ 2 ‾ + w ′ 2 ‾ ) k=\frac{1}{2}\overline{u_{i}'u_{i}'}=\frac{1}{2}(\overline{u^{'2}}+\overline{v^{'2}}+\overline{w^{'2}}) k=21ui′ui′=21(u′2+v′2+w′2)

这里的 u i ′ ‾ \overline{u_{i}^{'}} ui′是速度的脉动分量,在雷诺平均的方法里,速度包括时均量和脉动量两个部分,这里的湍流动能就是速度三个方向上脉动分量平方和的一半,代表了单位质量流体脉动的强度。

【3.2】湍流耗散率 ε \varepsilon ε

湍流耗散率 ε \varepsilon ε用于描述湍流动能 k k k被耗散(转化为内能)的速率,衡量了小尺度涡旋将动能转化为热量的速度。

【3.3】湍流粘度 μ t \mu_{t} μt

湍流粘度 μ t \mu_{t} μt的计算通过湍流动能 k k k和湍流耗散率 ε \varepsilon ε获得:
μ t = ρ C μ k 2 ε \mu_{t}=\rho C_{\mu}\frac{k^2}{\varepsilon} μt=ρCμεk2

上式中,
ρ \rho ρ------流体密度
C μ C_{\mu} Cμ------经验常数

由公式可见, k k k越大, ε \varepsilon ε越小,获得的湍流粘度 μ t \mu_{t} μt越大。

K-epsilon模型的核心作用就是通过湍流动能 k k k和湍流耗散率 ε \varepsilon ε获得湍流粘度 μ t \mu_{t} μt,湍流粘度 μ t \mu_{t} μt直接表征了对流体耗散的强弱。

【4】补充

K-epsilon模型的引出来源于布辛涅斯克近似:它假设湍流应力类似于粘性应力,与平均流场的应变率成正比。比例系数就是湍流粘度 μ t \mu_{t} μt。

【5】总结

了解了K-epsilon湍流模型的来源和一些基础概念。

相关推荐
大大大大晴天15 小时前
Hudi技术内幕:RecordPayload到RecordMerger
大数据
SelectDB1 天前
秒级弹性、最高降本 70%:SelectDB Serverless 如何重塑云数仓资源效率
大数据·后端·云原生
WhoAmI1 天前
MapReduce框架原理解析一:InputFormat
大数据·hadoop
WhoAmI1 天前
MapReduce框架原理解析三:OutputFormat
大数据·hadoop
WhoAmI1 天前
MapReduce框架原理解析二:Shuffle
大数据·hadoop
大大大大晴天2 天前
Hudi技术内幕:Key Generation原理与实践
大数据
得物技术6 天前
从埋点需求到规则资产:Hermes Agent 重构得物数仓工作流
大数据·llm·ai编程
久美子6 天前
AI驱动数仓建设的Harness工程实践——本体建模、知识分层与上下文工程
大数据
大树886 天前
金刚石散热越强,管路越先见顶
大数据·运维·服务器·人工智能·ai
大志哥1236 天前
ES和Logstash日志链路系统上线后遭遇切片爆炸(解决)
大数据·elasticsearch