Reduced Order Modeling (ROM) erbjuder en kraftfull metod för att snabbt och noggrant förutsäga aerodynamiska egenskaper hos flygplan i olika flygförhållanden, inklusive de komplexa situationer som uppstår vid isbildning. Genom att använda en samling CFD-lösningar (Computational Fluid Dynamics) som "snapshots" skapas en förenklad modell som kan återge tryckfördelningar och skjuvspänningar över hela flygplanet med hög precision, samtidigt som beräkningstiden reduceras från dygn till sekunder. Detta möjliggör realtidsanalys av aerodynamiska konsekvenser vid olika flygmanövrar, såsom ett återinflygningsscenario (go-around), där flygplanet ändrar höjd och anfallsvinkel.

Vid exemplet med isbildning på ett regionalt jetflygplan visade ROM en maximal avvikelse på 11.9 % jämfört med fullständiga CFD-beräkningar. Trots att denna noggrannhet är något lägre än för isfria fall, är den tillräcklig för att illustrera och analysera aerodynamiska påverkningar. Den detaljerade jämförelsen mellan ROM och CFD för ett kritiskt flygfall visar mycket god överensstämmelse i tryck och skjuvspänning vid flera tvärsnitt över vingen och stjärtpartiet.

Analysen avslöjar att isbildning ökar luftmotståndet (CD) med hela 61 %, medan lyftkraften (CL) minskar med 17 % och momentet (CM) sjunker med 20 %. Den relativt mindre nedgången i lyftkraft beror på den specifika isens form, som är rime-typ med små droppar och låg vattenhalt i luften. Dessa data är av stort värde för piloter och simulatorer eftersom de möjliggör anpassning av träningsscenarier i realtid, baserat på dynamiska och realistiska aerodynamiska förändringar istället för förinställda tabeller. Dessutom kan metoden enkelt utvidgas för att inkludera stall- och post-stall-vinklar, vilket är avgörande för att träna stalligenkänning och återhämtning.

ROM tillåter också en mer effektiv integrering av CFD och experimentella metoder. Traditionellt har CFD och experiment använts isolerat eller komplementärt, men särskilt för isbildning är experimentella data ofta begränsade till enskilda komponenter snarare än hela system. Detta försvårar validering av CFD-resultat och bromsar utvecklingen. ROM kan reducera behovet av omfattande experiment och antalet mätpunkter genom att rekonstruera data i otillgängliga eller svårmätta områden, vilket sänker kostnader och ökar flexibiliteten. Till exempel har ROM använts för att minska antalet tryckprober på en helikopterrotor i vindtunneltester, vilket gör det möjligt att erhålla noggranna tryckfördelningar med färre mätpunkter och färre testfall.

Den icke-intrusiva karaktären hos ROM gör att data från experiment, CFD och fullskaliga fältmätningar kan integreras i samma modell. Detta möjliggör en sekventiell eller parallell användning där experiment kan användas som snapshots för ROM, och därigenom förbättra både modellens tillförlitlighet och dess användbarhet i praktiken. Det innebär en väsentlig förbättring jämfört med tidigare arbetssätt där experiment och simuleringar var mer separata.

Det är viktigt att förstå att noggrannheten i ROM bygger på kvaliteten och täckningen av snapshots från både CFD och experiment. Därför måste dessa datasätt vara representativa för de parametrar och flygförhållanden som modellen ska användas för. Att kontinuerligt uppdatera och validera ROM-modellen med ny data är avgörande för att upprätthålla dess relevans och pålitlighet, särskilt i dynamiska och komplexa miljöer som isbildning i flyg.

I praktiken innebär detta att ROM inte bara är en teknisk lösning för att minska beräkningstiden utan också en integrerad del av en helhetsstrategi för att förstå och hantera aerodynamiska effekter av isbildning. För piloter, flygplansutvecklare och simulatorutvecklare erbjuder ROM en ny nivå av insikt och responsivitet, vilket bidrar till ökad säkerhet och effektivitet i flygoperationer under svåra väderförhållanden.

Hur man modellerar isbildning och skyddssystem på obemannade flygplan

Icing, eller isbildning på flygplansytor, är en av de största faktorerna som påverkar flygprestanda, särskilt vid flygning i fuktiga och kalla atmosfärsförhållanden. För obemannade luftfarkoster (UAV) är dessa effekter ännu mer kritiska att förstå och modellera, eftersom många UAV-operativa scenarier involverar låga flyghöjder och sårbarhet för isbildning. En viktig aspekt är den aerodynamiska förlusten som orsakas av isbildning, vilket inkluderar förändringar i lyftkraft och ökad dragkraft på grund av den förändrade flygplansytan. För att korrekt kunna förutsäga dessa effekter och utveckla effektiva iskyddsstrategier är det avgörande att förstå och kunna simulera de turbulenta flödena, isuppbyggnaden och avlägsnandet samt olika typer av skyddssystem.

De nuvarande modellerna som används för att simulera isbildning på obemannade flygplan är inte utan sina utmaningar. Standardmodellen inom flygplans- och icing CFD (Computational Fluid Dynamics) är RANS-lösare (Reynolds-Averaged Navier–Stokes) tillsammans med två-ekvations turbulensmodeller som Spalart-Allmaras-modellen och Menter’s k-ω SST-modellen. Dessa modeller är välanvända i bemannad flygning, men deras förmåga att korrekt fånga effekterna av låga Reynolds-tal, som ofta är förekommande på UAV, är begränsad. Särskilt när det gäller att simulera effekterna av små turbulenta virvelströmmar som bildas vid isuppbyggnad nära framkant av vingarna, där det blir svårt att förutse isbildningens komplexitet. För att kunna göra mer exakta beräkningar i detta sammanhang behövs högre ordningens turbulensmodeller som LES (Large Eddy Simulation) eller direkt numerisk simulering (DNS), även om vissa studier visat att Spalart-Allmaras-modellen ger tillräckliga resultat för lägre Reynolds-tal.

Vid isbildning på roterande ytor, såsom propellrar på UAV, tillkommer ytterligare en utmaning. När is ackumuleras på propellerblad kan isen börja lossna när den centripetala kraften överstiger de adhesionella krafterna mellan isen och bladet. Denna process kallas för islossning och är mycket komplex att simulera, då den är starkt stokastisk och svår att förutse exakt. För att göra realistiska simuleringar av islossning används ofta empiriska modeller i bemannad flygning, men för UAV propellrar, som är mindre och roterar vid lägre hastigheter, finns det ett stort behov av nya, mer generella modeller. Så länge det inte finns tillräckligt med experimentell data för att validera modellerna är det svårt att utveckla mer exakta och användbara verktyg för islossning.

Elektrotermiska iskyddssystem är en av de mest etablerade metoderna för att hantera isbildning på UAV, särskilt för de mindre och medelstora flygplanen. Dessa system använder Joule-effekten för att generera värme på kritiska delar av luftfarkosten för att motverka isbildning eller för att avlägsna is (de-icing). En stor utmaning vid simulering av dessa system är att korrekt förutsäga den mängd värme som krävs för att hålla flygplanet isfritt, samt att hantera de komplexa processerna för värmeöverföring, både konvektiv och ledande. De-icing är dessutom en mer utmanande process att modellera än anti-icing, då det involverar att förutsäga och förstå isens adhesionsegenskaper när den smälter och bryts av.

En annan central aspekt i isbildningssimuleringar är behovet av högkvalitativa valideringsdata. För att kunna bedöma tillförlitligheten i simuleringarna måste de jämföras med verkliga experimentella data. För icing CFD innebär detta insamling av isformer, lyft- och dragkurvor, impingeringstransport, samt mätningar av värmeöverföring. En stor utmaning inom obemannad flygning är bristen på sådana dataset som är specifikt anpassade för låga Reynolds-tal och UAV-specifika förhållanden. Detta gör det svårt att utveckla nya modeller och verktyg som kan förbättra simuleringsnoga och prestanda i system för iskontroll.

Förutom de grundläggande modellerna och systemen som beskrivs ovan, finns det ytterligare parametrar som påverkar isbildningen och dess effekter på flygplansprestanda. Ett viktigt exempel är isens densitet, som varierar beroende på temperatur och hastighet. Denna parameter har visat sig vara särskilt kritisk för isuppbyggnadsmodeller, även för bemannade flygplan. Det behövs mer experimentell data på isdensitet vid låga Reynolds-tal för att kunna skapa bättre modeller.

En annan särskild utmaning inom isbildning är när man modellerar SLD (supercooled large droplets) isbildning. I atmosfäriska förhållanden där stora frysta droppar (upp till 2 mm) närvarar kan isbildning vara mycket mer intensiv och svår att modellera. Detta är ett pågående forskningsområde, inte bara för obemannade, utan även för bemannade flygplan.

Det är också viktigt att förstå att vissa aspekter av isbildning, såsom iskristallbildning i motorer, kan vara en mindre oro för UAV, som oftast inte är utrustade med jetmotorer, men kan vara av betydelse för vissa flygplanstyper som arbetar vid låg hastighet, såsom multirotor UAV, som kan utsättas för isackumulering vid snöfall.

För att sammanfatta, så handlar det om att hela tiden uppdatera och anpassa de tekniska och fysiska modellerna för att kunna få en mer exakt bild av isbildningens effekter på UAV:s prestanda och utveckla mer effektiva och pålitliga iskydds- och islossningssystem. Och även om det idag finns ett antal avancerade metoder för att modellera dessa fenomen, finns det fortfarande många områden som kräver ytterligare forskning och utveckling för att säkerställa säkrare och mer effektiva UAV-flygningar under isiga förhållanden.

Hur varierar luftflödet i piccolo-tuber för iskyddssystem vid olika massflödeshastigheter?

Temperaturen i piccolo-tuben, som används i iskyddssystem, påverkas i hög grad av både luftens massflöde och temperaturskillnader längs rörets axel. I de flesta numeriska simuleringarna av piccolo-tuber är det tydligt att temperaturen sjunker längs rörets längd, där förändringarna är mer markanta vid spetsen av tuben. Detta beror på det minskade massflödet mot spetsen, vilket gör flödet mer känsligt för värmeöverföring. En intressant observation är att när massflödet ligger på 0,1 och 0,2 kg/s, sker en mindre acceleration av luften genom varje öppning, vilket resulterar i att statiska temperaturer blir högre nära inloppet av piccolo-tuben jämfört med högre massflödeshastigheter.

I denna kontext är det viktigt att förstå hur massflödet fördelas längs piccolo-tubens längd. Vid lägre massflöden är luftflödet i första delen av röret nästan oförändrat, vilket innebär att de första sektionerna av piccolo-tuben håller högre statiska temperaturer än sektionerna längre bort från inloppet. Men även om det i början verkar finnas en mindre minskning i totaltemperaturen, blir effekten tydligare längre fram i röret, där det statiska temperaturfallet blir mer uttalat vid lägre massflödeshastigheter.

Det är också viktigt att notera att när lufttemperaturen vid inloppet i piccolo-tuben varierar, förändras fördelningen av både statisk och total temperatur längs tuben. Vid högre inloppstemperaturer sker en snabbare temperaturminskning genom piccolo-tuben, vilket beror på de större temperaturskillnaderna som driver ett högre värmeutbyte. Denna effekt innebär att vid högre inloppstemperaturer uppstår större variationer i luftens hastighet och även i massflödet per jet längs piccolo-tuben.

När det gäller luftflödets hastighet och Mach-tal är det också avgörande att förstå hur dessa parametrar förändras beroende på inloppstemperaturen. Generellt sett innebär högre inloppstemperaturer högre flödeshastigheter och Mach-tal, vilket kan påverka effekten av piccolo-tuben i en verklig tillämpning. Vid ökade temperaturer ses att den interna flödeshastigheten och jet-flödets hastighet stiger, vilket indikerar att högre temperaturer leder till större energiöverföring i systemet.

En annan intressant aspekt är fördelningen av massflödet per jet i piccolo-tuben. Vid högre temperaturer är massflödet per jet i de första sektionerna större, men detta förändras mot slutet av röret, där massflödet minskar. Denna omfördelning beror på den ökade värmeförlusten och den resulterande effekten på luftens rörelse genom piccolo-tuben. Detta innebär att även om den totala värmeförlusten i piccolo-tuben är större vid högre inloppstemperaturer, leder den till en jämnare och effektivare fördelning av luftflödet längs rörets längd.

I jämförelse med experimentella resultat, som har erhållits från ett faktiskt piccolo-rör i en öppenvind, har de numeriska simuleringarna visat sig vara förvånansvärt konsekventa. Experimenten har genomförts med en tvågrenad piccolo-tub, där en gren är betydligt kortare än den andra. Jämförelserna visar att simuleringarna korrekt återger tryck- och temperaturfördelningarna längs röret, vilket indikerar att modellen är tillräcklig för att beskriva fenomenen i piccolo-tuben under de givna förhållandena. Dock bör det beaktas att resultaten är baserade på ett scenario med en piccolo-tub i ett öppet miljö, och inte inuti en flygplansvings framkant, där ytterligare lokala beräkningar för konvektiva koefficienter och omgivningstemperaturer skulle vara nödvändiga för att få en mer exakt modell.

För att få en bättre förståelse för piccolo-tubens funktion i iskyddssystem är det också viktigt att ta hänsyn till andra faktorer som inte tas upp direkt i simuleringarna. Först och främst bör det noteras att den geometriska designen av piccolo-tuben och dess orificier spelar en betydande roll i värmeöverföringens effektivitet. Små förändringar i orificiernas storlek eller distribution kan ha en stor inverkan på luftflödet och temperaturfördelningen. Dessutom kan externa faktorer som omgivningstemperaturer och tryckförhållanden påverka systemets prestanda, vilket gör att den numeriska modellen måste kunna anpassas till olika miljöer och förhållanden. Slutligen är det också viktigt att förstå att denna typ av system inte fungerar i ett vakuum – det påverkas av aerodynamiska krafter, vilket innebär att det verkliga flödet kan avvika något från modellerade resultat beroende på hur piccolo-tuben integreras i ett större system.

Hur beräknas vattenuppsamlings­effektivitet (β) med Lagrangemetoden i olika aerodynamiska sammanhang?

Lagrangemetoden har visat sig vara särskilt effektiv för att beräkna vattenuppsamlings­effektivitet, β, i aerodynamiska sammanhang med både enkla och komplexa geometrier. Inom isbildningsanalys på flygplansprofiler har programvara som LEWICE använts för att simulera β-värden på klassiska profiler som NACA0012 och GLC-305. Metodens noggrannhet har validerats mot vindtunneldata och annan simuleringsprogramvara, vilket gör Lagrangemetoden till ett robust verktyg för tillämpningar inom flygteknisk isbildning.

En jämförelse mellan olika beräkningsmetoder, där LEWICE och CANICE använder Lagrangemetoden och FENSAP-ICE tillämpar en Eulerisk ansats, visar att resultaten stämmer väl överens trots metodologiska skillnader. Detta stärker legitimiteten i att använda Lagrangemetoden för att förutse droppimpakt och vattenuppsamling i kritiska aerodynamiska zoner.

För flersegmentprofiler, som t.ex. McDonnell–Douglas-profilen, visar beräkningar med Lagrangemetoden att droppbanor i springan mellan slat och vinge kan korsa varandra, särskilt vid stora MVD-värden (Median Volume Diameter). Detta komplexa beteende leder till lokal ackumulering av vatten nära bakkanten av slats, vilket har visats i experimentella och numeriska studier. Den statistiska metoden används i sådana fall för att fördela β-värdet över ytan, vilket tillåter en finfördelad analys av vattenansamlingens spatiala variationer.

Lagrangemetoden kan även utvidgas till 3D-beräkningar via en så kallad slicing-strategi, där profilen delas upp i sektioner längs spännvidden. Varje sektion beräknas separat, och slutlig interpolering ger en helhetsbild av β-fördelningen över hela vingens yta. Denna metod har implementerats i tidigare versioner av LEWICE3D, även om den har begränsningar i sin förmåga att exakt modellera effekterna av hastighet i spännviddsriktningen.

Beräkningar på svepta 3D-vingar visar droppbanor och β-fördelningar som bekräftar Lagrangemetodens tillämpbarhet även vid komplexare geometrier. Genom parallell databehandling har dessa simuleringar kunnat accelereras utan att förlora detaljnivå.

På hela flygplansstrukturer, såsom NASA:s S3-flygplan, har LEWICE3D använts för att beräkna vattenuppsamling på vingar, horisontella och vertikala stabilisatorer. Trots flygplanets geometriska komplexitet kunde de bärande delarnas isbildningsförutsättningar analyseras noggrant med Lagrangemetoden, vilket är avgörande för utvärdering av anti-icing och de-icing-system.

Ett ännu mer komplext scenario är isbildning i turbofläktmotorer, där LEWICE3D använts för att analysera ispartikelimpakt och isbildningsförlopp i den energieffektiva E3-kompressorn. Genom en block-till-block-strategi modelleras varje skovelrad sekventiellt. Vid marschfart Mach 0,8 och höjd 11887 m visar beräkningarna att större droppar, på grund av deras rörelsemassa, är mindre benägna att avvika

Vad är den optimala fördelningen av flödet i ett sCO2 Rankine-cykelsystem med delat flöde och rekonditionering?
Hur kan vi skapa starka institutioner och rättssystem för att hantera risk och förändring?
Hur kan professionell kommunikation och forskning bidra till affärsframgång?
Hur örter berikar trädgården och köket: En inblick i klassiska växter