پیش بینی محدوده عدد پرانتل آشفته در احتراق متان-هوا با استفاده از مدل های مرتبه دوم شار اسکالر آشفته
محل انتشار: فصلنامه سوخت و احتراق، دوره: 12، شماره: 2
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 244
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFNC-12-2_003
تاریخ نمایه سازی: 23 بهمن 1400
چکیده مقاله:
هدف اصلی در تحقیق پیشرو تخمین عدد پرانتل آشفته در احتراق غیرپیشمخلوط متان-هواست. در این راستا، یک جریان احتراقی آشفته غیرپیشمخلوط در شرایط استوکیومتریک، با استفاده از معادلات متوسطگیریشده رینولدز (RANS)، بهصورت عددی مورد تحلیل قرار گرفته است. برای مدل سازی تشعشع و آشفتگی جریان بهترتیب مدل های جهات گسسته (DO) و k−ε ریلایزبل اعمال شدهاند. همچنین، برای مدل سازی احتراق آشفته از سه مدل اضمحلال گرداب های (EDM)، اضمحلال گرداب های مفهومی (EDC) و تابع چگالی احتمال (PDF) استفاده شده است. به همراه مدل EDM و EDC، مدل مرتبه دوم جبری GGDH و مرتبه بالای آن، یعنی HOGGDH، به همراه مدل پخش گرداب های ساده برای جمله شار حرارتی آشفته در معادله انرژی اعمال شده است. مقایسه نتایج عددی مدل SED با فرض پرانتل آشفته ۸۵/۰و مدل های مرتبه دوم با مقادیر تجربی موجود نشان می دهد که اعمال مدلهای مرتبه دوم شار حرارتی آشفته بهطور محسوسی منجر به اصلاح پیشبینی توزیع دما در محفظه احتراق می شود. همچنین، توزیع NO به دست آمده از مدل های مرتبه دوم مطابقت خوبی با مقادیر تجربی موجود دارد. براساس نتایج به دست آمده، در جریان احتراقی مقاله حاضر، مدل GGDH دارای دقت بالاتری نسبت به مدل HOGGDH در پیشبینی دما و NO است. محاسبه عدد پرانتل آشفته در محفظه احتراق مورد بررسی نشان میدهد که فرض عدد پرانتل ۸۵/۰ دور از واقعیت بوده و براساس مدل GGDH، عدد پرانتل آشفته در نواحی مختلف از ۲۵/۰ تا ۳/۱ متغیر است. در نهایت عدد پرانتل آشفته ۴۵/۰ برای جریان احتراقی این پژوهش پیشنهاد شده است.
کلیدواژه ها:
نویسندگان
علی ارشادی
دانشجوی دکترا-دانشکده مهندسی مکانیک-دانشگاه سمنان
مهران رجبی زرگرآبادی
استادیار دانشکده مهندسی مکانیک، دانشگاه سمنان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :