翼型の騒音調査:原因と解決策
エアフォイルノイズとそれが航空に与える影響についての考察。
― 1 分で読む
目次
エアフォイルノイズは、空気が航空機の翼やプロペラの表面と接触することで生じる音だよ。この音を理解して管理することは、特に飛行機を静かにするために大切なんだ。
エアフォイルノイズの原因は?
空気がエアフォイルの上を流れると、圧力の変化や空気の流れによっていろんな音が生まれる。その中でも主な要因は乱流境界層なんだ。この層では、空気のスムーズな流れが混乱し、圧力の変動が発生する。翼の鋭いエッジを通過するときに、これらの変動がノイズを生むことがあるよ。
エアフォイルノイズを研究する重要性
エアフォイルノイズは色々な理由で重要なんだ。まず、乗客の快適さや空港の近くに住んでる人たちへの影響がある。次に、電動飛行タクシーみたいな都市空中モビリティ車両が増えてきてるから、ノイズを減らす必要がますます大事になってきた。これらの新しい機械は多くのブレードがあって、低速で動くからノイズが目立つんだ。
エアフォイルノイズを分析するツール
研究者たちは、エアフォイルノイズを研究するために、高度な技術を使ってるよ。たとえば、大渦シミュレーション(LES)やウェーブレット変換があるんだ。
大渦シミュレーション(LES)
LESは、空気がエアフォイルの周りをどう動くかを詳しくモデル化するのに役立つよ。空気の流れの複雑なパターンを管理しやすい部分に分解して、ノイズの出所を予測しやすくしてる。
ウェーブレット変換
ウェーブレット変換は、データを異なる周波数で分析するための数学的ツールなんだ。シミュレーション中に集めたデータから特定のタイプのノイズをピックアップするのに役立つよ。
ノイズの発生源の特定方法
エアフォイルが高い角度で動くと、いくつかの現象が起こってノイズが生じることがある。渦の剥離が起きて、回転する空気(渦)がエアフォイルの表面から離れると、乱流の場所ができて、さらにノイズが増える可能性があるよ。
また、ラミナリ剥離バブル(LSB)って現象もあって、空気の流れが突然変わることがある。LESとウェーブレット変換を使うことで、研究者たちは整理された(コヒーレント)ノイズと背景の(インコヒーレント)ノイズを区別できるんだ。これが音の主な出所をより明確に理解する手助けになるよ。
数値ノイズの課題
シミュレーションを行うときの大きな問題の一つは、数値ノイズなんだ。これは、実際の空気の流れからではなく、計算手法の限界から生じるノイズなんだ。真の信号からこの不要なノイズを分けることが、音の実際の出所を正確に特定するためには重要だよ。
他の競合するノイズ源
後縁ノイズの他にも、次のような様々なタイプのノイズが発生することがあるよ:
- 渦剥離ノイズ:これは低周波数でトーンのあるノイズを生む。
- LSB不安定性ノイズ:これは高い周波数でトーンと広帯域のノイズを生む。
- ティップノイズ:ブレードや翼の先端から発生する。
- スタルノイズ:翼の上の空気の流れが乱れるときに起こる。
- トリッピングノイズ:空気の流れがわざと乱されて、滑らから乱流に移行する際に発生する。
これらの音は、エアフォイルの形状や迎角、他の流れの条件に依存するよ。
ウェーブレット法を使ったノイズ分析
ウェーブレット変換は、乱流から生じる圧力場を効果的に分解することができるよ。研究者たちは特徴に基づいて信号を分離できる。たとえば、ウェーブレット閾値処理という手法を使うと、数値ノイズをフィルタリングして、真のノイズ信号だけが残るようにするんだ。
研究プロセス
エアフォイルノイズの研究では、様々なエアフォイルの構成をシミュレーションで使って、条件によるノイズの挙動を調べるよ。NACA 0012エアフォイルは、そのシンプルな形状のためによく研究されていて、分析しやすいんだ。
シミュレーションの設定
シミュレーションでは、強制遷移(空気の流れが乱されて乱流を作る)と自然遷移(乱流が自発的に発生する)の組み合わせを使う。エアフォイルを異なる角度で調べて、ノイズ生成への影響を見てるよ。
計算領域とグリッド
シミュレーション領域は、近傍と遠方のフィールドがしっかり捉えられるように設定されるよ。エアフォイルの周りの空気の流れについてできるだけ詳細を集めるために特定のグリッド構造が作られる。これが高品質な結果を得るために不可欠なんだ。
シミュレーションの結果
シミュレーションは、エアフォイルの条件によって異なるノイズ特性を明らかにするよ。
異なる角度での発見
エアフォイルが高い迎角のとき、明確なノイズの出所が確認される。ノイズが最も重要な周波数がはっきりしていて、渦剥離が560Hz付近で、LSB不安定性ノイズは約3kHzでピークに達するよ。
ノイズの伝播の可視化
ウェーブレット変換を使って、ノイズが空気中をどう伝わるかを可視化できる。これにより、異なるノイズ源がどのように相互作用し、環境を通じてどのように伝播するかが見えるよ。
デノイジング技術の役割
結果を正確にするためには、デノイジング技術が超重要なんだ。ウェーブレットベースの閾値処理を使うことで、空気の流れに関係ないノイズをフィルタリングして、真の信号だけを残せるようにするんだ。
圧力場分析
圧力場を分析することで、ノイズがどこで発生しているかを確認できる。数値ノイズと物理ノイズを区別しやすくなり、エアフォイルから生じる音をより良く理解して制御できるようになるんだ。
結論と今後の研究
まとめると、LESやウェーブレット変換を使ったエアフォイルノイズの研究は、音がどう生成され、どう管理できるかという貴重な洞察を提供するんだ。ノイズを異なる出所に分離する能力が、より静かな航空機の設計を改善するのに役立つよ。
技術が進歩するにつれて、これらの手法のさらなる発展がより良い予測につながり、静かで効率的な飛行機の道を開くかもしれない。空の旅行の未来は、ノイズレベルを減らすことに大きな焦点を当てるようになると思う。これは今後の研究の重要な分野になるよ。
タイトル: Airfoil trailing-edge noise source identification using large-eddy simulation and wavelet transform
概要: Airfoil noise is predicted and analyzed using wall-resolved large-eddy simulations and wavelet transforms for a NACA 0012 airfoil at a Mach number of 0.06 and a Reynolds number of 400,000 using a stair-strip forced transition and a natural transition. At a high angle of attack, vortex shedding and a laminar separation bubble (LSB) occur on the suction side. The LSB triggers the flow transition for both the forced and natural transition cases. The wavelet thresholding and denoising algorithm is used to decompose the pressure fields into the coherent or denoised pressure and the incoherent or background noise pressure. This denoising technique provides a clear picture of true noise generation and propagation. It also reveals the dominant noise source at specific frequencies when multiple noise sources are present. In another usage, the wavelet thresholding algorithm with down-sampling separates noise on the basis of flow structures. For example, the wavelet method separates noise between low-frequency vortex shedding noise and high-frequency LSB noise as well as trailing-edge noise. Finally, the wavelet transform is used to decompose the hydrodynamic and acoustic pressure components near the surface using the coherence between near-field pressure and far-field pressure. Overall, the wavelet-based decomposition is a valuable tool to study and reveal the mechanisms of airfoil noise generation.
著者: Seongkyu Lee, Donghun Kang, Davy Joao Etienne Brouzet, Sanjiva K. Lele
最終更新: 2023-02-11 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2302.05809
ソースPDF: https://arxiv.org/pdf/2302.05809
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。