A rotoros jégképződés numerikus szimulációja során végzett kutatások azt mutatják, hogy az oszcilláló mozgás hatása jelentős szerepet játszik a jéggel való borítottság kialakulásában. A 2D oszcilláló légcsavar szimulációk alapján megfigyelhető, hogy a mozgás okozta ingadozás nemcsak az aerodinamikai folyamatokat befolyásolja, hanem közvetlenül hatással van a jégképződésre is, mint azt a különböző kísérletek és modellezési megközelítések is alátámasztják (Morelli és Guardone, 2021). A 3D modellezés és a kvázi-állandó megközelítés ötvözésével elért eredmények megerősítik, hogy a rotoros szimulációk meglepően pontosan jósolják meg a jég formáját, különösen a rotor lapátjánál.

Az ilyen típusú kutatások, amelyek a rotor mozgásának és az ebből származó hatásoknak a komplex interakcióit vizsgálják, új távlatokat nyitnak a jégképződés modellezésében. Az alkalmazott módszerek, mint például a Lagrange-i részecskeszámítás, lehetővé teszik a vízcseppek pályájának pontosabb nyomon követését, figyelembe véve a különböző ütközéseket és a cseppek szétesését is. A kutatók szerint a háromdimenziós modellezés segítségével a jég felhalmozódása pontosabban meghatározható, és lehetővé válik annak előrejelzése a rotorlapátok különböző részein.

A rotoros jégképződés modellezésénél figyelembe kell venni azokat a fizikai alapelveket, amelyek a lehűtött vízcseppek viselkedését befolyásolják. A háromdimenziós Eulerian módszerek bizonyos korlátokkal rendelkeznek, különösen a jég alakjának precíz megértésében, de a kutatók folytatják annak fejlesztését. A jégképződés folyamata az unsteady Stefan problémával van összefüggésben, amely az adott hőmérsékleti profilt veszi figyelembe az összes fázisváltásban. A mesh-deformációs technika, mint az RBF, lehetővé teszi a jég felhalmozódásának dinamikus modellezését a rotorok esetében, és fontos szerepet játszik a geometriai változások kezelésében.

A jég leválása az egyik legkritikusabb tényező a rotoros jégképződési szimulációkban. Az elválasztás folyamata a különböző erők – mint a centrifugalizmus, kohezió és adhezió – egyensúlyának figyelembevételével történik, és az egyes szegmensek mechanikai épségét mindegyik külön-külön elemzi. Az empirikus összefüggések segítenek meghatározni a jég megszakadási pontjait, és az eredmények azt mutatják, hogy az előrejelzett jégformák jól illeszkednek a kísérleti adatokhoz, de az ilyen típusú szimulációk esetében is szükség van további validálásra.

A rotoros jégképződés numerikus szimulációján túl a rotorcraft testének jéggel való borítottsága is fontos tényező. Bár a rotorlapátok jégképződése közvetlen hatással van az aerodinamikai teljesítményre, a törzs jéggel borítottsága is súlyos kockázatokat rejthet magában. A motorbeömlőkön kialakuló jég csökkentheti a motor teljesítményét, míg a szélvédőn keletkező jég akadályozhatja a pilóta látását, ami életveszélyes helyzeteket eredményezhet. Továbbá a radomokon, ahol a radar- és kommunikációs rendszerek helyezkednek el, a jég felhalmozódása zavart okozhat a navigációs rendszerek működésében.

A rotorcraft testének jéggel borítottsága ezért egyre inkább a figyelem középpontjába kerül a repülésbiztonság szempontjából. Míg a rotorlapátok mozgása nagy fokú instabilitást eredményez, a rotorcraft törzse fix struktúrával rendelkezik, ami lehetővé teszi az állandó, kvázi-állandó modellezési megközelítések alkalmazását. Az első számú kihívás ezen a téren a rotor széláramának figyelembevételével történő jégképződés pontos szimulációja, amely hatással van a vízcseppek pályájára.

A rotor wake hatása a rotorcraft törzse számára fontos tényező. A szimulációk azt mutatják, hogy az aktor diszk és aktor felület modellek alkalmazásával a rotor széláramának hatása pontosan modellezhető, lehetővé téve a törzs jéggel borítottságának precíz előrejelzését. Az ilyen típusú numerikus módszerek segítenek a jéggel borított területek azonosításában és a repülési teljesítmény javításában.

A rotorcraft fuselage jégképződésének modellezése során elengedhetetlen figyelembe venni a rotor hatását a törzs jéggel való borítottságára, mivel a rotor által keltett erőteljes széláram jelentősen befolyásolja a vízcseppek mozgását, ezzel a jégképződés irányát és mértékét. Az ilyen típusú kutatások folytatásával újabb lépéseket tehetünk a repülésbiztonság növelésében, miközben hatékonyabb jégképződés elleni intézkedéseket dolgozunk ki.

Hogyan befolyásolja a nemlineáris kölcsönhatások és a páralecsapódás a hőátadást?

A nemlineáris kölcsönhatások és a páralecsapódás modellezése az elektromechanikai jegesedésvédelmi rendszerek szimulációiban kulcsfontosságú. A rendszer viselkedésének alapos megértése, különösen az olyan esetekben, amikor az anyagok különböző hőátadási jellemzőkkel rendelkeznek, segít pontosabb előrejelzéseket készíteni és optimalizálni a működési paramétereket. Az alábbiakban a nemlineáris esetekre vonatkozó szimulációs eredmények és azok konvergenciáját elemző módszerek kerülnek bemutatásra.

A nemlineáris modellek alkalmazása az anyagok közötti hőátadás során nagy kihívásokat jelenthet, mivel az optimális és nem optimális kölcsönhatási együtthatók alkalmazása eltérő iterációs számot eredményez a konvergenciakritériumok teljesítéséhez. Amikor a szimulációk a páralecsapódást is figyelembe veszik, a hőátadás folyamatának komplexitása fokozódik, mivel a párolgás és kondenzáció mellett a hőmérsékletváltozások sem lineárisak, és a rendszer viselkedése változó lesz.

A második tesztesetben két különböző anyag kerül kapcsolatba, amelyek mindegyike saját fizikai jellemzőkkel bír. Az egyik anyag csupán konvekciós hőátadás alatt áll, míg a másik az elpárolgás hatásait is tapasztalja. A hőmérsékleti és hőfluxus-eltérések az interfészen keresztül a nemlineáris kölcsönhatások eredményeként változnak, és a konvergencia gyorsabban elérhető, ha optimalizált együtthatókat alkalmazunk. A nem optimális együtthatók növelhetik az iterációs lépések számát, és így hosszabb időt vesz igénybe a rendszer megfelelő állapotának elérése.

A szimuláció során az elpárolgás hatása figyelembe véve, a hőmérséklet jelentősen csökkenthető a bal oldali határon, különösen akkor, ha az optimális kölcsönhatási együtthatókat használják. Az optimálisan beállított együtthatók a szimulációs időszak alatt magasabb konvergenciasebességet biztosítanak, míg a nem optimális beállítások esetében több iteráció szükséges ahhoz, hogy az interfészen a hőmérséklet és fluxus eltérése alacsonyabb értékre csökkenjen. A nemlineáris viselkedés miatt a konvergenciás vizsgálatok során a teoretikus háttér gyengébb, mint lineáris esetekben, így a nemlineáris szimulációk eredményeit körültekintőbben kell értékelni.

Amikor kétdimenziós esetre bővítjük a modellt, a két különböző számítástechnikai megoldó, amely a hővezetési és a jegesedési problémákat kezeli, továbbra is egyesíti a Schwarz-módszerrel, és a mesh-eket úgy építjük fel, hogy azok összeegyeztethetők legyenek. Az optimalizált együtthatók az állandó állapotú konfigurációkhoz használhatók, míg a jegesedési folyamatok során a dinamikus, időbeli viselkedést figyelembe véve kell alkalmazni a nemlineáris együtthatókat. Ezáltal a hővezetési és a jegesedési szimulációk együttes használata pontosabb előrejelzéseket adhat az elektromechanikai jegesedésvédelmi rendszerek működéséről.

Fontos megjegyezni, hogy az ilyen rendszerek szimulálásakor nemcsak a hőátadás és jegesedés, hanem az általuk létrehozott aerodinamikai erők is jelentős hatással vannak a jég leválására. Az egyes vizsgálatok azzal a céllal zajlanak, hogy pontosabban megértsük a jég leválásának mechanizmusait, és új módszereket találjunk a különböző felületeken történő jégleválás előrejelzésére. A jég leválásának mechanizmusa nemcsak az elektromechanikai rendszerek hatékonyságát befolyásolja, hanem hozzájárul a repülőgép biztonságos működéséhez is.

Az aerodinamikai hatások és a hőmérséklet-változások összetett kölcsönhatása révén a jég leválása során kialakuló hidrostatikus egyensúlyi állapotok figyelembevételével új, pontosabb modellek és szimulációk fejleszthetők ki. Ezen modellek alkalmazása a gyakorlatban segítheti a repülőgépek jegesedésvédelmi rendszereinek további fejlesztését és optimalizálását.

Hogyan lehet csökkenteni a jégképződés szimulációs idejét megbízható becslések mellett?

A PoliMIce keretrendszer teljes végrehajtása – amely magában foglalja az Euler-alapú CFD-szimulációt, a részecskekövetést és a termodinamikai megoldást – körülbelül egy órát vesz igénybe egyetlen csomóponton. A szuperszámítógép, amelyen a számítás fut, 16 csomópontból áll, mindegyikben két darab 2,67 GHz-es Intel Xeon X5650 processzor található, és processzoronként 12 szál áll rendelkezésre, összesen tehát 24 szál/csomópont. A Monte Carlo típusú bizonytalanságterjedés szimuláció minden egyes futtatása így körülbelül 105 órát, tehát hozzávetőlegesen 4200 napot igényelne – ez elfogadhatatlan számítási költséget jelent. Emiatt egy szurrogát modell alkalmazása elengedhetetlen.

Többféle szurrogátmodell-típus létezik, mint például a Gaussian-folyamatok, radiális bázisfüggvények, térképezés-alapú módszerek, mesterséges neurális hálózatok. A leginkább vizsgált megközelítés a Gaussian-folyamatokra (GP) épülő modell, amely a felhőparaméterek bizonytalanságát (ξ(ω)) veszi bemenetként, és kimenetként a jégképződési sebességet (Ṁ_ice,j) adja meg.

A modell kétféleképpen építhető fel: egyszerű regressziós módszerként vagy osztályozás+regresszió kombinációjaként. Az első esetben a teljes adathalmazra kizárólag regressziót alkalmaznak, amely gyorsabb, de pontatlanabb eredményt ad. A második esetben először osztályozás történik, hogy eldöntsük, képződik-e jég a felületen (1. osztály) vagy sem (0. osztály), majd a jégképződéssel járó esetekre regresszióval számítják ki a felületi jégképződés sebességét.

A GPy Python-könyvtárat használták a GP-alapú szurrogátmodell megépítéséhez. A Monte Carlo alapú bizonytalanságterjedés futtatása előtt a modell pontosságát ellenőrizni kell. Ehhez 250 véletlenszerű validációs mintát generáltak, amelyek nem szerepeltek a betanítás során. A modell tanításához a Halton-szekvencia alapján 10-től 250-ig terjedő elemszámú mintákat használtak. Az összes minta tartalmazta a bemeneti felhőparamétereket (LWC, MVD, SAT) és a kimeneti értékeket (Ṁ_ice,PS és Ṁ_ice,SS).

A modell pontosságát a validációs minták átlagos hibájával mérték, a regresszió esetében az abszolút eltérések átlaga, az osztályozás esetében a hibásan osztályozott minták aránya adja meg a hibát. Az eredmények azt mutatják, hogy a tanító minták számának növekedésével csökken a modell hibája. Azonban az eltérő hőmérsékleti bizonytalansági határok (B1 és B2) között különbségek mutatkoznak: a B1 esetén az osztályozási hiba jelentősen nagyobb, amely magasabb regressziós hibákhoz vezet. A hibák jelentős része azokhoz az esetekhez köthető, ahol a hőmérséklet a fagyáspont közelében van, de a jég nem képződik, függetlenül a LWC és MVD értékeitől.

A továbbiakban az osztályozás+regresszió alapú szurrogátmodellt használják. A konvergenciaelemzés alapján a B1 adatállományhoz 100, míg a B2 esetében 50 tanító minta használata elegendő. Ezek az eredmények az alap konfigurációra vonatkoznak.

Az optimalizáció során minden vizsgált kialakításhoz

Hogyan készíthetünk tökéletes karácsonyi pudingot és egyéb finomságokat lassú tűzhelyen?
Hogyan csökkenthető a NOx kibocsátás és hasznosítható a CO2 gáz turbinákban?
Hogyan éljünk tovább a háború után? A túlélés és a személyes döntések dilemmái
Hogyan érthetjük meg a kelta mitológia hőseit és harcait?
Hogyan hatott a "The Dragon Murder Case" a közönségre és milyen jelentősége van a történet kifinomultságának a bűnügyi irodalomban?
A gyermekek közlekedési baleseteinek megelőzése Szülői értekezlet előadás, 2015 március
Javasolt nyilatkozati forma a jogi személyek számára, akik a PAO „Aeroflot” részvényjegyzékében szerepelnek NYILATKOZAT A PAO „AEROFLOT” TŐKEEMELÉS ÉRTÉKESÍTÉSÉHEZ VALÓ JOGOSULTSÁGUK KIHASZNÁLÁSÁVAL SZEREZNI KÍVÁNT KÖZÖNSÉGES RÉSZVÉNYEK MEGVÁSÁRLÁSÁRÓL (a kiegészítő részvénykibocsátás regisztrációs száma: 1-01-00010-А, 2022.07.04.)
A matematika munkaprogramja 5-9. osztályosok számára
Közforgalmú Vasúti Utasok Szolgáltató Társaság (Közforgalmú PPK) információi
Atommodellek: Energetikai szintek és alapszintek az atomokban