Simulation of a wingtip vortex flow with Linear Eddie Viscosity turbulence models at Re=4.6E6 and Re=1.2E6

This work studies the accuracy of Linear Eddie Viscosity models on the prediction of wingtip vortex flow. The geometry selected for the study is a NACA-0012 half wing mounted at the wall, with a rounded end cap and trailing edge, inclined by 10° at its quarter chord. Computations of the flow were conducted using the open source software SU2. Two turbulence closures were investigated: the Negative Spalart-Allmaras and the Menter’s Shear Stress Transport models. The flow was considered at two Reynolds and Mach numbers : Re = 4.3 x 10 6 , M = 0.14 and Re = 1.2 x 10 6 , M = 0.1. To study the models’ accuracy, the initial objective of the work was to produce high-fidelity LES data using the software ARGO provided by Cenaero. However, due to the setup of the simulations and the computing time requirements, we were not able to obtain statistically steady LES simulations of the entire wing. Therefore, the computed flow is compared against the experimental and numerical data found in the literature. The results showed that the Linear Eddie Viscosity models could characterize the main vortical structures’ topology and surface flow quantities. However, they fail to pre- dict the evolution of the mean quantities on the vortex core. This divergence between the numerical simulations and the experimental results was associated with the eddie viscosity, which caused a diffusion of the mean quantities. Moreover, it was noted that, due to the models’ assumptions, the Linear Eddie Viscosity models cannot correctly represent the Reynold stress and strain rate tensors misalignment observed in the experimental data. Although we could not fulfill the project’s initial objective, we were still able to provide indications of how to continue this work by comparing the RANS results with the reference experimental and numerical data. Notably how supervised learning techniques could be employed to build improved turbulence models.

Questo lavoro studia l’accuratezza dei modelli di viscosità lineare di Eddie sulla previsione del flusso vorticoso d’estremità alare. La geometria selezionata per lo studio è una semiala NACA-0012 montata a parete, con estremità e bordo d’uscita arrotondati, inclinata di 10° al suo quarto di corda. I calcoli del flusso sono stati condotti utilizzando il software open source SU2. Due modelli di turbolenza sono stati studiati: il modello Spalart-Allmaras con correzioni per viscosità Eddie negativa e quello di Shear Stress transport di Menter. Il flusso è stato considerato a due numeri di Reynolds e Mach: Re = 4.3 x 10 6 , M = 0.14 e Re = 1.2 x 10 6 , M = 0.1. Per studiare la precisione dei mo- delli, l’obiettivo iniziale del lavoro era produrre dati LES ad alta fedeltà usando il solver Discontinuos Galerkin ARGO fornito da Cenaero. Tuttavia, a causa dell’impostazione delle simulazioni e dei requisiti di tempo di calcolo, non siamo riusciti a ottenere simulazioni LES statisticamente stabili dell’intera ala. Pertanto, il flusso calcolato viene confrontato con i dati sperimentali e numerici presenti in letteratura. I risultati mostrano che i modelli di viscosità lineare di Eddie sono in grado di caratterizzare la topologia delle principali strutture vorticose e le principali quantità caratterizzanti il flusso superficiale. Tuttavia, non riescono a predirre l’evoluzione delle grandezze medie nel nucleo del vortice. Questa divergenza tra le simulazioni numeriche e i risultati sperimentali è stata associata all’elevata viscosità eddie nel nucleo del vortice, che causa una dif- fusione delle grandezze medie. Inoltre, si è notato che, a causa delle assunzioni dei modelli, i modelli di viscosità lineare di Eddie non possono rappresentare correttamente il disallineamento dei tensori di velocità di deformazione e di Reynolds osservato nei dati sprimentali. Sebbene non sia stato possibile raggiungere l’obiettivo iniziale del progetto, siamo stati in grado di fornire indicazioni su come continuare questo lavoro, confrontando i risultati RANS con i dati sperimentali e numerici di riferimento. In parti- colare, come le tecniche di Machine Learning possano essere impiegate per costruire modelli di turbolenza più accurati.