Hydrokinetic flapping foil turbines in swing-arm mode have gained considerable interest in recent years because of their enhanced capability to extract power, and improved efficiency compared to foils in simple mode. The performance of foil turbines is closely linked to the development and separation of the Leading-Edge Vortex (LEV). To accurately model the formation and the separation of the LEV on flapping foils, a purpose-built 2D numerical model was developed. The model is based on the weighted residual Finite Element Method (FEM); this is combined with an interface capturing technique, Level-Set Method (LSM), which was used to create a reliable and high-quality numerical solver suitable for hydrodynamic investigations. The solver was validated against well-known static and dynamic benchmark problems. The effect of the mesh density was analyzed and discussed. This paper further covers an initial investigation of the hydrodynamics of flapping foil in swing-arm mode, by studying the structure of the vortex around a NACA0012 foil. The presented method helps to provide a better understanding of the relation between the Leading-Edge Vortex creation, growth, and separation over the flapping foil in swing-arm mode and the extracted power from a hydrokinetic turbine.


翻译:近些年来,由于肥皂涡轮的发电能力得到加强,而且与简单模式的肥料相比,效率有所提高,因此对摇篮式的风扇涡轮机产生了相当大的兴趣。Foil涡轮机的性能与Gead-Edge Vortex(LEV)的开发和分离密切相关。为了精确地建模LEV的形成和分离在摇篮式风扇上的形成和分离,开发了一个目的建造的2D数字模型。模型以加权残留的精致元素蛋白法(FEM)为基础;结合了一种界面捕捉技术,即Delage-Set 方法(LSM),用于建立一个可靠和高质量的数字求解器,适合水动力学调查。对于众所周知的静态和动态基准问题,对溶液涡轮密度的影响进行了验证。本文还进一步介绍了对摇篮式风扇的动力学的初步调查,研究了在NACA0012 Foil周围的涡轮结构。所提出的方法有助于更好地了解在冲动动力式、从冲压式变压式变压式变压式变压式变压式的形成中和压式变压式变压式变压式变压式变压机之间的关系。</s>

0
下载
关闭预览

相关内容

机器学习组合优化
专知会员服务
108+阅读 · 2021年2月16日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
Stabilizing Transformers for Reinforcement Learning
专知会员服务
58+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
灾难性遗忘问题新视角:迁移-干扰平衡
CreateAMind
17+阅读 · 2019年7月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
27+阅读 · 2023年1月5日
Arxiv
16+阅读 · 2021年11月27日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
VIP会员
相关资讯
相关基金
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员