Nøglepunkter i artiklen:
- Ved at bruge adaptive grid refinement forbedrer du markant beregningseffektiviteten under mesh-genereringen ved samtidigt at løse geometri og physics.
- Ved at indarbejde refinement zones baseret på dine forventede simuleringsresultater, giver en proaktiv tilgang til at omtimere kvaliteten af dine mesh for specifikke flow features som f.eks. omkring køretøjer.
- Domain ekspertise og user input spiller begge en vigtig rolle i at sikre effektiviteten af adaptive grid refinement, fordi de forhindrer såkald “over-refinement” i områder med minimal flow physics og for at undgå unødvendige beregningsomkostninger og simulationstid.
I artiklen går vi i dybden med adaptive grid refinement funktionen i Fidelity Pointwise. Den håndterer de numeriske fejl og fastholder begrænsningerne, som brugeren har sat, samtidig med at den nøjagtigt løser alle flow features til forskellige anvendelser.
Målet med preproccesring med simulering er at skabe et mesh, der passer til den påkrævede analyse. Du bør prioritere beregningsmæssig effektivitet i mest-genereringen, der nøjagtigt opfanger både geometrien og fysikken. Afhængigt af dine simuleringsmål kan du forfine specifikke områder af meshet, hvor du forventer lavere flow features.
På illustrationen nedenfor har vi inkorporeret nogle refinement zones omkring køretøjet for at tage højde for den forventede fysik – især i wake-regionen. Den her proces kræver betydelig ekspertise på området, fordi den er meget afhængig af brugerinput. Overdreven forfining i zoner med minimale flow physics ville øge beregningsomkostninger og simulationstiden unødigt, hvilket du helt sikkert skal undgå.
Mesh adaptation: hvad er kravene?
Når du opretter et mesh, bør det opfylde følgende krav:
- Aligne med den underliggende CAD-geometri
- Tilpasse sig den lokalt anisotropisk grænsefladeforbedring
- Forbedre både markante og subtile flow features
I adaptive grid refinement forventes der en bevarelse af grænsefladelaget og near-wall physics, samtidigt med en gradvis overgang i cellestørrelser for at sikre solver convergens. Det er afgørende at definere en tilpasningssensor under grid refinement, der skitserer områder, der kræver yderligere forbedring. Til external aircraft analyses fungerer Mach-nummeret som en passende tilpasningsvariabel, hvor velocity magnitude i turbomachinery scenarios viser sig at være effektiv som en tilpasningssensor.
Adaptive grid refinement med Fidelity Pointwise
Først og fremmest lægger vi en baseline mesh for at kickstarte adaptive grid refinement i Fidelity Pointwise. Derefter kører vi en løsning på dette mesh. Her vil du skulle evaluere sensoren ved hver kant. Hvis den går over din forudbestemte grænse på et hvilket som helst sted, skal du flagge den til tilpasning. Næste skridt er at oprette en point cloud, der angiver placeringer og indstiller en ny cellestørrelse for området. Din point cloud bliver fusioneret ind i dit baseline mesh inde i Fidelity Pointwise for at skabe det opdaterede mesh. Gentag den her proces, indtil din løsning står stærkt på egen hånd, uafhængigt af meshet.
Test cases og praktisk anvendelse
Impinging jet
I figuren ovenfor er alle boundary conditions lagt ud for dig. Her har vi en kold stråle, der kommer en på en varm plade.
Målet her er at foretage en side-by-side sammenligning af et fuldt struktureret mesh vs. et tilpasset mesh. Til venstre har du et baseline hexahedron-mesh, mens du til højre har det indledende ikke-strukturerede mesh, klar til at tilpasse sig velocity magnitude.
Vi har highlighted skaleringen, der er nødvendig for den aktuelle kant i billedet til højre. Tilpasningsprocessen fokuserer på området mellem strålen og pladen. Vi har skabt en point cloud fra løsningen, hvor ca. en 1/4 del af noderne har nået grænsen og skal justeres.
Ved den 5. cyklus blev cirka 70% af noderne flagget, mens hele 94% kom i mål i den sidste cyklus. Når vi rammer omkring 90% tilpasning, stopper vi iterationerne.
Når vi ser på vores mesh stats, er det tydeligt, at det tilpassede mesh har færre noder og elementer sammenlignet med det omhyggeligt udformede hexahedron-mesh. Når vi zoomer ind på påvirkningsområdet, viser det sig, at det indledende mesh ramte ved siden af målet, men ved hver cyklus kom det tættere på de eksperimentelle data.
Axial turbine blade
I det her scenarie tester vi en Aachen-turbine (som set ovenfor) med 41 blade, der roterer med en hastighed på 3500 RPM. Lad os tjekke flow conditions ved indløb og udløb, pænt præsenteret i tabellen nedenfor:
P total (indløb) | 169,000 Pa |
T total (indløb) | 308 K |
A (indløb) | 49.3° |
P (udløb) | 135,000 Pa (average) |
Vi holder øje med velocity magnitude som vores tilpasningsvariabel. Disse shockbølger er fremherskende i vores tilpassede mesh. Vær også opmærksom på det endelige tilpassede mesh – det er spot-on i at vise disse sekundære hvirvler og shocks.
DivAer Model
Adaptive grid refinement er ikke kun begrænset til specifikke anvendelser; det kan også være værdifuldt i bilindustrien. På illustrationen ovenfor undersøger vi DrivAer-modellen. Vores fokus er også her på velocity magnitude som tilpasningsvariabel.
En RANS-simulation af DrivAer-modellen anvender SST two-equation turbulence model. Nedenfor finder du det tilpassede mesh og streamlines i wake-regionen. De illustrerer en stærk korrespondance og fanger effektivt hvirvlerne.
External Aerodynamics
Lad os kigge på en DLR F6-model, et testtilfælde fra den anden AIAA drag prediction workshop. Her inkluderer flow condictions et Mach-nummer på 0,75 og en angrebsvinkel på 1°. Vi fokuserer på Mach-nummeret som vores tilpasningsvariabel her.
Med adaptive grid refinement kommer de shockbølger, der ligger oven på vingen, skarpt i fokus. Se figuren nedenfor, der viser de indledende og tilpassede overfladetryk. Stødene bliver skarpere med hver tilpasningscyklus.
Når vi kigger på koefficienten for lift og drag, er det tydeligt, at der sker en forbedring for hver cyklus. Mesh-adaptionen kan ubesværet integreres i enhver arbejdsgang.
Selvom der er lidt arbejde i begyndelsen for at sætte tingene op, kører det uafhængigt, når det først er etableret. Tilpasningscyklussen opretholder konsekvent meshets topologi, der vender tilbage til udgangspunktet.
Hvis du gerne vil gå mere i dybden med emnet, har Cadence et gratis on-demand webinar, hvor de fortæller, hvordan du automatisk kan generere de bedste mesh – hver gang. De tager selvfølgelig udgangspunkt i adaptive grid refinement i Fidelity Pointwise. Du kan finde webinaret lige her.