Comprendre les cascades d'énergie dans les flux turbulents
Cet article parle du transfert d'énergie dans les flux turbulents et de ses implications.
― 8 min lire
Table des matières
La turbulence, c'est un flux complexe et chaotique qu'on trouve souvent dans la nature et l'ingénierie. Un des trucs clés pour piger la turbulence, c'est de comprendre comment l'énergie passe de grandes échelles de mouvement à des échelles plus petites. Ce processus, on l'appelle la Cascade d'énergie. Dans cet article, on va voir deux façons différentes d'analyser ce transfert d'énergie dans les flux turbulents et ce qu'on peut en tirer.
Qu'est-ce que la cascade d'énergie ?
Dans un flux turbulent, l'énergie est souvent injectée à grande échelle, comme dans de gros tourbillons. Ensuite, cette énergie se transfert à des structures de plus en plus petites jusqu'à ce qu'elle se dissipe à cause des effets de viscosité. Comprendre ce transfert d'énergie, c'est important parce que ça influence le comportement de la turbulence dans différentes conditions.
Il y a deux manières courantes de mesurer le taux de ce transfert d'énergie, qu'on appelle les taux de cascade. La première méthode regarde les différences de vitesse entre des points dans le flux. La deuxième méthode se concentre sur comment l'énergie se déplace à travers les échelles du flux en utilisant une approche de Filtrage.
L'approche de la fonction de structure
La première méthode est basée sur un concept qu'on appelle la fonction de structure, qui mesure comment les changements de vitesse se produisent sur différentes distances. Quand on regarde combien d'énergie est transférée dans la cascade, on peut utiliser ce qu'on appelle l'équation Kolmogorov-Hill généralisée (GKHE). Cette équation aide à décrire le transfert d'énergie en utilisant les différences de vitesse observées sur une distance donnée.
Cette approche donne une vision claire de comment l'énergie circule dans la turbulence et nous aide à comprendre les changements locaux dans le flux d'énergie. En plus, elle met en avant l'importance d'analyser le transfert d'énergie à une échelle locale, plutôt que de juste regarder des moyennes sur l'ensemble du flux.
L'approche de filtrage
La deuxième méthode utilise une technique différente appelée filtrage. Ici, on examine l'énergie qui existe à ce qu'on appelle l'énergie cinétique sous-grille. Cela se réfère à l'énergie qui n'est pas complètement résolue dans une simulation ou une observation, surtout dans les simulations à gros tourbillon (LES). On définit le taux de cascade d'énergie comme l'interaction entre l'énergie non filtrée et l'énergie filtrée.
Les deux méthodes peuvent donner des éclairages différents sur comment l'énergie cascade et peuvent montrer des motifs et comportements uniques dans la turbulence. La méthode de filtrage met souvent en avant les comportements observés dans les simulations à grande échelle, alors que l'approche de la fonction de structure fournit une interprétation plus directe du transfert d'énergie.
Comparaison des deux approches
En étudiant ces deux méthodes, on peut mieux comprendre le taux auquel l'énergie cascade dans les flux turbulents. Une des différences clés entre ces méthodes est comment elles interprètent le transfert d'énergie local. Par exemple, la fonction de structure peut mettre en avant des inversions d'énergie plus localisées, tandis que l'approche de filtrage pourrait montrer des transitions plus douces.
En utilisant des simulations à haute résolution de turbulence isotrope, on peut analyser les données obtenues de ces deux méthodes. Ces données peuvent nous aider à voir comment la turbulence se comporte dans diverses conditions et peuvent nous mener à des conclusions significatives sur les processus de cascade d'énergie dans le flux.
Observations à partir des données
En examinant les données de simulation, on peut observer des événements de cascade inverse locale. Ça signifie que l'énergie semble se transférer de petites échelles de mouvement vers de grandes échelles, ce qui n'est pas le comportement typique qu'on attend dans les flux turbulents. Les visualisations de ces structures de flux montrent souvent que de telles inversions se produisent près des cœurs de grands tourbillons.
Étrangement, les deux approches peuvent révéler ces événements de cascade inverse. Cependant, l'approche de la fonction de structure donne souvent un aperçu plus clair de la présence de ces événements, tandis que l'approche de filtrage peut présenter une image plus généralisée.
Flux d'énergie local et dissipation visqueuse
Pour mieux comprendre le transfert d'énergie, on peut se pencher sur le taux de dissipation d'énergie locale. C'est là où l'énergie se perd à cause des effets de viscosité, et ça joue un rôle crucial dans le comportement global de la turbulence. En examinant comment les flux d'énergie locaux changent par rapport à ces taux de dissipation, on peut aller plus loin dans l'exploration de la relation entre l'énergie en cascade et la perte d'énergie.
La moyenne conditionnelle, qui évalue les propriétés du flux selon des conditions spécifiques, permet une compréhension plus détaillée de l'interaction entre les flux locaux et la dissipation d'énergie. Les résultats suggèrent que le transfert d'énergie positif est souvent associé à des taux de déformation élevés, tandis que le transfert d'énergie négatif – indiquant une cascade inverse – apparaît dans des zones de forte rotation et de faible déformation.
Tenseur de gradient de vitesse
Le rôle duUn autre aspect important de la turbulence est le tenseur de gradient de vitesse, qui capture des infos sur la déformation et la rotation des fluides. Analyser ce tenseur révèle des corrélations significatives avec les processus de transfert d'énergie. En examinant les caractéristiques du tenseur de gradient de vitesse, on trouve de fortes preuves que la rotation à grande échelle et la faible déformation peuvent mener à des cascades inverses locales.
En regardant ces deux composants séparément, on peut commencer à comprendre comment ils influencent le transfert d'énergie. Par exemple, lorsque des zones de forte rotation locale sont présentes, l'énergie peut être maintenue ou transférée d'une manière qui s'écarte de la cascade directe attendue.
Visualisation des champs de flux
Visualiser les champs de flux turbulents fournit une compréhension intuitive des processus de transfert d'énergie. En affichant les régions de taux de cascade d'énergie et en les superposant au tenseur de gradient de vitesse, on peut identifier des zones où des inversions locales de transfert d'énergie sont fréquentes. Ces outils visuels nous aident à relier les concepts mathématiques aux phénomènes physiques dans la turbulence.
Il y a des régions distinctes dans le flux turbulent où des taux de cascade négatifs se produisent. Ces régions consistent en compression de vortex où l'énergie est observée se diriger vers des échelles plus grandes. Les données visuelles révèlent que ces taux de cascade négatifs correspondent aux structures internes du fluide, indiquant un lien fort entre les caractéristiques du flux et le transfert d'énergie.
Conclusion et travaux futurs
En résumé, comprendre la cascade d'énergie dans la turbulence est vital pour prédire et gérer les flux turbulents dans diverses applications. En comparant les approches de la fonction de structure et du filtrage, on peut obtenir des aperçus sur les mécanismes de transfert d'énergie locaux et les conditions dans lesquelles se produisent les cascades inverses.
Ces études ne renforcent pas seulement notre compréhension de la turbulence, mais offrent aussi un cadre pour de futures recherches. Avec l'amélioration continue des techniques de simulation et des méthodes d'analyse des données, on peut encore explorer les dynamiques complexes des flux turbulents et leurs implications dans divers domaines, de l'ingénierie aérospatiale à la modélisation climatique.
À l'avenir, élargir les techniques de moyenne conditionnelle pour inclure des structures de flux plus larges pourrait offrir des aperçus encore plus profonds sur la dynamique des cascades inverses. Cette exploration peut mener à une compréhension plus complète des flux turbulents, améliorant finalement notre capacité à prédire leur comportement dans des contextes pratiques. Comprendre la nature complexe de la turbulence reste un défi critique, et la recherche continue dans ce domaine est essentielle pour les avancées scientifiques et les applications pratiques.
Titre: Comparing local energy cascade rates in isotropic turbulence using structure function and filtering formulations
Résumé: Two common definitions of the spatially local rate of kinetic energy cascade at some scale $\ell$ in turbulent flows are (i) the cubic velocity difference term appearing in the generalized Kolmogorov-Hill equation (GKHE) (structure function approach), and (ii) the subfilter-scale energy flux term in the transport equation for subgrid-scale kinetic energy (filtering approach). We perform a comparative study of both quantities based on direct numerical simulation data of isotropic turbulence at Taylor-scale Reynolds number of 1250. While observations of negative subfilter-scale energy flux (backscatter) have in the past led to debates regarding interpretation and relevance of such observations, we argue that the interpretation of the local structure function-based cascade rate definition is unambiguous since it arises from a divergence term in scale space. Conditional averaging is used to explore the relationship between the local cascade rate and the local filtered viscous dissipation rate as well as filtered velocity gradient tensor properties such as its invariants. We find statistically robust evidence of inverse cascade when both the large-scale rotation rate is strong and the large-scale strain rate is weak. Even stronger net inverse cascading is observed in the ``vortex compression'' $R>0$, $Q>0$ quadrant where $R$ and $Q$ are velocity gradient invariants. Qualitatively similar, but quantitatively much weaker trends are observed for the conditionally averaged subfilter scale energy flux. Flow visualizations show consistent trends, namely that spatially the inverse cascade events appear to be located within large-scale vortices, specifically in subregions when $R$ is large.
Auteurs: H. Yao, M. Schnaubelt, A. Szalay, T. Zaki, C. Meneveau
Dernière mise à jour: 2023-07-20 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2307.10568
Source PDF: https://arxiv.org/pdf/2307.10568
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://cocalc.com/share/public_paths/27d603175bdd529d2ae4d091a3b56eb2f88eecc1
- https://cocalc.com/.../Figure3
- https://cocalc.com/share/public_paths/9622d6e480f8491f5ab253198042d36deecb36e6
- https://cocalc.com/.../Figure8
- https://cocalc.com/share/public_paths/7b9005ee7515fbe20bcdc224a3aca67b52799052/Figure10_a.html
- https://cocalc.com/share/public_paths/7b9005ee7515fbe20bcdc224a3aca67b52799052/Figure10_b.html
- https://cocalc.com/share/public_paths/7b9005ee7515fbe20bcdc224a3aca67b52799052/Figure10_c.html
- https://cocalc.com/share/public_paths/7b9005ee7515fbe20bcdc224a3aca67b52799052/Figure10_d.html
- https://cocalc.com/share/public_paths/7b9005ee7515fbe20bcdc224a3aca67b52799052
- https://cocalc.com/.../
- https://turbulence.pha.jhu.edu/newcutout.aspx
- https://turbulence.pha.jhu.edu/datasets.aspx