Turbulent Complex Flows Reconstruction Via Data Assimilation in Large Eddy Models Pranav Chandramouli
Total Page:16
File Type:pdf, Size:1020Kb
Turbulent complex flows reconstruction via data assimilation in large eddy models Pranav Chandramouli To cite this version: Pranav Chandramouli. Turbulent complex flows reconstruction via data assimilation in large eddy models. Fluids mechanics [physics.class-ph]. Université Rennes 1, 2018. English. NNT : 2018REN1S035. tel-01951540 HAL Id: tel-01951540 https://tel.archives-ouvertes.fr/tel-01951540 Submitted on 11 Dec 2018 HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non, lished or not. The documents may come from émanant des établissements d’enseignement et de teaching and research institutions in France or recherche français ou étrangers, des laboratoires abroad, or from public or private research centers. publics ou privés. i For my parents, who got me here and to Palak, who got me through ii iii Acknowledgements Etienne and Dominique, your guidance has ensured I traverse successfully the narrow, treacherous straits that is a PhD program. Your rigorous standards, academic familiarity and attitude towards research are traits I hope to inculcate and emulate. I would like to express my profound thanks to you for taking me in this program, and for guiding me, constantly, through it. To Sylvain, without whom I would not be here, I am thankful for your guidance in everything numerical. To my friends, past and present, in the corridor - ‘Vincent, Benoit, Sandeep, Anca, Antoine, Manu, Valentin, and countless others’, I thank you for all the special memories, fun and funny, we had over the past three years. Special mention to Long, for our mutual fifa addiction, Carlo, for our coffee, and Yacine, for our multitude of breaks. A big thank you to Huguette for taking care of all the administrative works that I would have, otherwise, been swamped with. A final thanks to my family whose constant support and never-ending belief in me always motivated me to work harder and do something more. iv Contents Introduction en français ix Introduction xv 1 Fluid flow fundamentals 1 1.1 Computational fluid dynamics . 2 1.1.1 A brief history of CFD . 2 1.1.2 Governing equations . 2 1.1.3 Discretisation techniques . 3 1.1.4 Boundary conditions . 5 1.1.5 Turbulence modelling . 6 1.2 Experimental fluid dynamics . 6 1.2.1 A brief history of EFD . 6 1.2.2 Hot wire anemometry (HWA) . 7 1.2.3 Laser doppler anemometry (LDA) . 7 1.2.4 Particle image velocimetry (PIV) . 8 1.3 Limitations . 10 1.4 Coupling EFD and CFD . 11 2Turbulencemodelling 15 2.1 Reynolds averaged Navier-Stokes . 17 2.1.1 RANS equations . 17 2.1.2 Turbulent-viscosity models . 18 2.1.3 Reynolds stress models (RSM) . 21 2.2 Large eddy simulation . 21 2.2.1 Filtered Navier-Stokes equations . 22 2.2.2 Smagorinsky models . 23 2.2.3 WALE model . 27 2.2.4 Models under location uncertainty . 28 2.2.5 Other Approaches . 32 2.3 Hybrid approaches . 34 3Largeeddysimulation-applications 37 3.1 Flow solver - Incompact3d . 37 3.2 Channel flow at Re⌧ =395 ........................... 45 3.2.1 Channel flow parameters . 45 3.2.2 Channel flow results . 46 3.3 Wake flow around a circular cylinder at Re = 3900 . 49 3.3.1 Introduction to wake flow . 49 v vi CONTENTS 3.3.2 Flow configuration and numerical methods . 53 3.3.3 Wake flow results . 56 3.4 Concluding remarks . 76 4StochasticSimulations-vortexforcesandLangmuircirculation 79 4.1 Introduction . 79 4.2 Mathematical formulations . 80 4.2.1 CL model . 80 4.2.2 Large-scale drift MULU . 80 4.3 Vortex force theory for streak formation . 83 4.4 Large-scale application . 88 5Dataassimilationtechniques 93 5.1 Mathematical Formulation . 94 5.2 Data assimilation - a review . 94 5.3 4D-Var approach . 98 5.3.1 4D-Var Algorithm Variants . 100 6 Flow reconstruction - snapshot optimisation method 105 6.1 Introduction . 105 6.2 Snapshot optimisation method . 107 6.2.1 SO model concept . 107 6.2.2 Mathematical formulation . 108 6.2.3 Reduced order formulation . 110 6.2.4 Averaging SO method . 111 6.3 Application and results . 111 6.3.1 Synthetic case-studies . 112 6.3.2 Algorithm Enhancement Techniques . 117 6.3.3 Experimental case-studies . 120 6.4 Conclusion . 127 7Dataassimilation-wakeflowatRe=3900 129 7.1 Code Formulation . 129 7.1.1 4D-Var . 129 7.1.2 4D-Varles .................................136 7.2 3D synthetic assimilation . 142 7.2.1 Flow configuration . 142 7.2.2 Observations construction . 144 7.2.3 Initial background construction . 146 7.2.4 Results and Discussion . 146 7.3 2D synthetic assimilation . 152 7.3.1 Flow configuration . 152 7.3.2 Observations construction . 152 7.3.3 Initial background construction . 156 7.3.4 Results and Discussion . 156 7.4 Background covariance . 162 7.5 Coefficient estimation . 165 7.6 Combined case study . 168 7.7 Conclusions . 172 CONTENTS vii Conclusions and perspectives 175 viii CONTENTS Introduction en français Contexte L’étude des fluides remonte à l’antiquité aux travaux d’Archimède tels que le fameux ‘principe d’Archimède’ sur la flottabilité. Au fil du temps, le domaine s’est diversifié dans l’étude des fluides stationnaires (ou de la statique des fluides) et des écoulement fluides (ou de la dynamique des fluides). La dynamique des fluides peut être subdivisée en l’étude de fluides newtoniens et non-newtoniens en fonction de la forme de la contrainte de frottement moléculaire. Les fluides newtoniens, qui sont les fluides étudiés dans cette thèse, ont un taux de déformation proportionnel à la contrainte appliquée et leur dynamique s’exprime mathématiquement au moyen des équations de conservation de la masse, de quantité de mouvement et d’énergie. L’étude de la mécanique des fluides a été la pierre angulaire de nombreuses avancées dans le domaine de l’aérospatial, de la prévision météorologique, des applications géophysiques, de l’automobile, du génie civil, etc. Des approches plus récentes et sophistiquées visent également à améliorer les conditions environnementales à l’intérieur de bâtiments (conception de salle blanche pour l’industrie pharmaceutique ou agroali- mentaire (Arroyo et al., 2016)). Ces nombreuses applications soulignent l’importance des écoulements fluides dans de larges pans de notre vie quotidienne. Cela justifie pleinement l’étude poussée de ces écoulements. L’analyse des écoulements fluides peut se faire de l’une des deux manières suivantes: Expérimentalement: l’étude expérimentale des fluides (EFD) s’appuie sur des méthodes de mesures expérimentales telles que la vélocimétrie par image de particule, la vélocimétrie par suivi de particules, la vélocimétrie doppler laser, etc. Ces méthodes peuvent être intrusives comme c’est le cas pour anémométrie filaire (HWA) ou non intrusive (PIV, LDA, PTV). Des progrès récents ont conduit à l’élaboration de techniques de mesures 3D telles que la PIV tomographique (tomo-PIV) qui permettent d’appréhender le champ des vitesses 3D3C (trois dimensions, trois composantes) dans un volume donné. Ces techniques restent cependant encore assez limitées dans leur étendue spatiale. Numériquement: Dynamique des fluides computationnelle (CFD) repose sur la simu- lation des équations mathématiques de la dynamique des fluides. Les équations de con- servation décrivant la dynamique des fluides sont résolues en utilisant une grande variété de modèles numériques. La précision de ces modèles reste limitée par le coût de calcul requis pour une simulation. Avec l’émergence et le progrès constant des superordinateurs et des processeurs, des écoulements de plus en plus complexes sont simulés. Néanmoins, une grande variété d’écoulement à haute vitesse restent encore pour longtemps hors de portée de ces simulations. Une combinaison de ces deux techniques a été utilisée efficacement, en particulier dans le domaine de la prévision météorologique où les données EFD sont utilisées afin de guider les simulations CFD. Ce couplage permet de s’affranchir ainsi partiellement des incon- vénients associées à ces deux techniques. Une telle combinaison, appelée assimilation de ix x INTRODUCTION EN FRANÇAIS données (AD), est maintenant utilisée de plus en plus fréquemment dans la communauté de la mécanique des fluides avec une augmentation significative de publications au cours de la dernière décennie qui décrivent différentes techniques de couplage (Papadakis and Mémin, 2008; Gu and Oliver, 2007; Artana et al., 2012; Yang, 2014). Cette thèse étudie l’extension d’technique d’assimilation proposée par Gronskis et al. (2013) pour des écoule- ments 2D et par Robinson (2015) pour des écoulements 3D. Le but de ce travail vise à étendre ces derniers travaux de Robinson (2015) à des écoulements plus complexes associés à des vitesses plus élevées en utilisant le concept de simulations aux grandes échelles de la turbulence (LES). Les techniques de type LES ont d’abord été initiées par Smagorinsky (1963) avec la motivation de réduire le coût de calcul d’une simulation atmosphérique, en ne simulant que les grandes échelles des vitesses (les grands tourbillons) tandis que les effets des plus petites échelles sont modélisés. Smagorinsky a introduit un modèle simple qui reste très populaire dans le domaine LES. Au cours des décennies suivantes, des modèles plus complexes ont été introduits par un certain nombre d’auteurs tels que Germano et al. (1991); Nicoud and Ducros (1999), plusieurs simulation LES, ce qui rend sou coût d’autant plus crucial. Dans le cadre des techniques d’assimilation de données s’avère nécessaire d’effectuer. L’objectif de cette thèse est de formuler et de valider des techniques LES pour l’assimilation de données permettant de réduire autant que possible les coûts de calcul associés.