Turbulent mixing of a hydrogen jet in crossflow: direct numerical simulation and model assessment

Este estudio utiliza simulaciones numéricas directas (DNS) para evaluar modelos de turbulencia en la mezcla de un chorro de hidrógeno en un flujo cruzado, demostrando que mientras la simulación de grandes remolinos (LES) predice con precisión el flujo y la mezcla, los enfoques RANS fallan debido a suposiciones incorrectas sobre la difusividad turbulenta y el número de Schmidt.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una historia de detectives científicos que intentan resolver un misterio: ¿Cómo se mezcla el hidrógeno (el combustible del futuro) con el aire en un motor, y por qué nuestras mejores herramientas de predicción a veces fallan?

Aquí tienes la explicación, traducida a un lenguaje sencillo y con analogías creativas:

🚀 El Escenario: Un Chorro de Hidrógeno en la Batalla del Aire

Imagina que tienes una manguera de hidrógeno (un gas muy ligero y rápido) inyectando un chorro fuerte en un río de aire que fluye en dirección contraria. Esto es lo que pasa dentro de un motor de camión o maquinaria pesada que usa hidrógeno.

• El objetivo: Que el hidrógeno y el aire se mezclen perfectamente, como leche en un café, para que el motor funcione bien y no contamine.
• El problema: Si no se mezclan bien, el motor se ahoga o explota de mala manera.

🔍 Los Tres Detectives: DNS, LES y RANS

Para predecir cómo se comportará esta mezcla, los científicos usaron tres "detectives" o métodos de simulación por computadora, cada uno con un nivel diferente de detalle y costo:

1. DNS (La Cámara de Alta Velocidad Ultra-Precisa):

   • Analogía: Es como tener una cámara que graba cada gota de agua y cada remolino del río, sin perderse nada. Es la verdad absoluta.
   • El problema: Es tan detallada que requiere una computadora tan potente que tardaría años en simular un solo motor. Es demasiado cara para usarla en el día a día.

2. LES (La Cámara de Alta Definición):

   • Analogía: Es como una cámara 4K. Ve los remolinos grandes y los movimientos importantes, pero ignora las gotas microscópicas.
   • Resultado: Funciona muy bien. Se parece mucho a la "Cámara Ultra-Precisa" (DNS) y es lo suficientemente rápida para ser útil.

3. RANS (El Esquema Rápido y Barato):

   • Analogía: Es como mirar el río desde un helicóptero muy alto. Solo ves el flujo general, el "promedio". No ves los remolinos individuales, solo intentas adivinar cómo se comportan basándote en reglas simples.
   • Ventaja: Es muy rápido y barato, por eso es el favorito de las empresas de ingeniería.
   • Desventaja: A veces se equivoca mucho.

🕵️‍♂️ El Misterio Resuelto: ¿Por qué falla el detective RANS?

Los científicos compararon a los tres detectives usando los datos de la "Cámara Ultra-Precisa" (DNS) como la verdad.

• Lo que pasó con el flujo de aire: RANS adivinó bastante bien la dirección del viento (el flujo promedio), pero falló estrepitosamente al predecir la "turbulencia" (los remolinos). Fue como si dijera que el río está tranquilo cuando en realidad hay una tormenta de remolinos.
• Lo que pasó con la mezcla (El Hidrógeno): Aquí fue donde RANS falló más. Predijo que el hidrógeno se quedaba pegado en un solo lugar, como si fuera un bloque sólido, en lugar de dispersarse y mezclarse con el aire.

¿Por qué falló RANS?
Los científicos abrieron el "cerebro" del modelo RANS y encontraron dos errores clave:

1. El "Freno" de la Mezcla (Viscosidad Turbulenta): RANS pensaba que el fluido era más "pegajoso" o lento de lo que realmente es. Imagina que intentas mezclar pintura con una cuchara lenta; RANS usó una cuchara que se movía demasiado despacio.
2. El "Número de Schmidt" (La Regla de Oro): RANS usó una regla fija para calcular la mezcla, como si dijera: "El hidrógeno siempre se mezcla a esta velocidad". Pero en realidad, esa velocidad cambia constantemente. RANS usó un valor que era demasiado alto, lo que hizo que su "cuchara" imaginaria fuera aún más lenta.

🧩 La Gran Revelación: La Mezcla no es Simétrica

La parte más interesante es que RANS asume que la mezcla es igual en todas las direcciones (como si el agua se esparciera en círculos perfectos).

• La realidad: En este chorro de hidrógeno, la mezcla es anisotrópica (asimétrica). Es como si el hidrógeno quisiera mezclarse rápido hacia arriba y hacia los lados, pero muy lento hacia abajo.
• El error: RANS intentó forzar una mezcla circular perfecta en un escenario que era ovalado y caótico. Por eso, su predicción de la mezcla fue tan mala.

💡 Conclusión: ¿Qué aprendimos?

1. LES es el héroe: Si tienes recursos, usa LES. Predice casi perfecto tanto el flujo como la mezcla.
2. RANS necesita un "reajuste": El modelo rápido que usan las empresas hoy en día es demasiado simplista para el hidrógeno. Necesita nuevas reglas que entiendan que:
   • La mezcla no es igual en todas direcciones.
   • La "pegajosidad" del fluido cambia.
3. El futuro: Ahora que tienen los datos ultra-precisos del DNS (la cámara perfecta), pueden crear nuevas reglas para mejorar a RANS, haciendo que las predicciones de los motores de hidrógeno sean más precisas y seguras.

En resumen: Intentaron adivinar cómo se mezcla el hidrógeno con el aire. La herramienta rápida (RANS) falló porque usó reglas demasiado simples y simétricas. La herramienta precisa (LES) funcionó genial. Ahora, los científicos tienen el mapa exacto (DNS) para enseñarle a la herramienta rápida a ser más inteligente en el futuro.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Mezcla turbulenta de un chorro de hidrógeno en flujo cruzado: Simulación Numérica Directa (DNS) y evaluación de modelos

1. Planteamiento del Problema

El hidrógeno ($H_2$) se considera una solución prometedora para mejorar el rendimiento y reducir las emisiones en motores de combustión interna (ICE) de combustibles pesados y turbinas de gas. En sistemas de inyección de combustible en puerto (PFI) para motores de hidrógeno, el combustible se inyecta y mezcla con el aire mediante una configuración de chorro en flujo cruzado (JICF).

• Desafío: El proceso de mezcla es crítico para lograr una mezcla aire-combustible adecuada, lo que impacta directamente el rendimiento del motor y las emisiones.
• Limitación actual: Los enfoques industriales predominantes utilizan modelos RANS (Promedio de Reynolds de Navier-Stokes) debido a su bajo costo computacional. Sin embargo, estos modelos a menudo fallan en predecir con precisión la mezcla en configuraciones JICF, especialmente para hidrógeno, donde la relación de densidades es muy baja y las propiedades físicas varían significativamente con la concentración.
• Brecha de conocimiento: No existían estudios numéricos de alta fidelidad (DNS) específicos para la configuración de inyección de $H_2$ en motores reales que pudieran servir como referencia para validar y mejorar los modelos de turbulencia y mezcla.

2. Metodología

El estudio se basa en una geometría representativa de un puerto de admisión de un motor pesado de hidrógeno, donde un chorro de $H_2$ se inyecta a 60° en un flujo de aire transversal. Se utilizaron tres enfoques de simulación:

• Simulación Numérica Directa (DNS):
  • Herramienta: Código de elementos espectrales Nek5000.
  • Resolución: Malla no uniforme con 268,000 elementos espectrales y polinomios de 7º orden, resultando en ~93 millones de puntos de cuadrícula.
  • Calidad: Resuelve todas las escalas turbulentas ($y^+ < 1$ en las paredes).
  • Propósito: Servir como "verdad fundamental" (benchmark) para evaluar los otros modelos.
• Simulación de Grandes Remolinos (LES):
  • Herramienta: Código CONVERGE (versión 4.0).
  • Modelo: Modelo de Estructura Dinámica.
  • Malla: Refinamiento adaptativo (AMR) con un tamaño de celda mínimo de 0.25 mm ($y^+ \approx 5$).
• Promedio de Reynolds (RANS):
  • Herramienta: CONVERGE.
  • Modelo: Modelo $k-\epsilon$ RNG.
  • Malla: Tamaño de celda mínimo de 0.5 mm ($y^+ \approx 10$), típico para simulaciones de motores.
  • Modelo de mezcla: Hipótesis de Difusión Gradiente (GDH) con un número de Schmidt turbulento ($Sc_t$) fijo de 0.78.

3. Contribuciones Clave

1. Generación de un Dataset DNS único: Se creó un conjunto de datos de alta resolución para un chorro de $H_2$ en flujo cruzado con propiedades físicas variables (densidad, viscosidad, difusividad), relevante para aplicaciones reales de motores PFI de hidrógeno.
2. Evaluación exhaustiva de modelos: Se comparó sistemáticamente el rendimiento de LES y RANS contra los datos DNS para campos de velocidad, tensiones de Reynolds y mezcla de especies.
3. Análisis de las causas del error en RANS: Se extrajeron propiedades de transporte turbulento directamente de los datos DNS para identificar las fuentes de error en los modelos RANS, descomponiendo el problema en viscosidad turbulenta ($\nu_t$) y número de Schmidt turbulento ($Sc_t$).
4. Validación de la anisotropía: Se demostró cuantitativamente que la suposición de difusividad turbulenta isotrópica (común en GDH) es inválida para esta configuración.

4. Resultados Principales

• Predicción del Campo de Flujo:

  • LES: Mostró un acuerdo excelente con la DNS tanto para la velocidad media como para los componentes de las tensiones de Reynolds. Capturó correctamente las estructuras de flujo y la disipación.
  • RANS: Predijo razonablemente bien el campo de velocidad media, pero subestimó drásticamente todos los componentes de las tensiones de Reynolds.

• Predicción de la Mezcla de $H_2$:

  • LES: Coincidió muy bien con la DNS, capturando la evolución de la nube de hidrógeno y la homogeneización en la zona de salida.
  • RANS: Subestimó significativamente el proceso de mezcla. Predijo una región de baja concentración de $H_2$ en el lado de sotavento y una nube de hidrógeno más pequeña con valores máximos de fracción másica más altos que en la DNS, indicando una mezcla insuficiente con el aire.

• Análisis de las Causas del Error en RANS:

  • La difusividad turbulenta ($D_t$) predicha por RANS fue mucho menor que la derivada de la DNS.
  • Esto se debió a dos factores:
    1. Subestimación de la viscosidad turbulenta ($\nu_t$): El modelo RANS no capturó la magnitud correcta de la turbulencia.
    2. Sobreestimación del número de Schmidt turbulento ($Sc_t$): El valor fijo de 0.78 utilizado en RANS es demasiado alto. Los datos DNS mostraron que el $Sc_t$ óptimo varía espacialmente y tiene un valor más probable mucho menor (alrededor de 0.44 en promedio, con valores locales muy bajos).
  • Anisotropía: El análisis de los componentes anisotrópicos de $Sc_t$ ($Sc_{t,x}, Sc_{t,y}, Sc_{t,z}$) reveló que la difusividad no es isotrópica. El ángulo de desalineación entre el flujo de especies real (DNS) y el predicho por el modelo GDH fue significativo (pico en ~37°, llegando a 90° cerca de la inyección), invalidando la suposición de isotropía.

5. Significado e Impacto

• Para la Industria: El estudio demuestra que los modelos RANS estándar, con sus constantes fijas y suposiciones de isotropía, son insuficientes para predecir con precisión la mezcla de hidrógeno en motores, lo que podría llevar a diseños de inyectores y cámaras de combustión subóptimos.
• Para el Desarrollo de Modelos:
  • Sugiere que mejorar la predicción de la mezcla en RANS requiere no solo ajustar el número de Schmidt, sino también mejorar los modelos de viscosidad turbulenta.
  • Resalta la necesidad de adoptar modelos de orden superior (como GGDH o HOGGDH) que consideren la anisotropía de la difusividad turbulenta, en lugar de depender de la hipótesis de difusión gradiente simple.
• Recurso Futuro: El dataset DNS generado está disponible para el desarrollo y validación de futuros modelos de turbulencia y mezcla, específicamente para aplicaciones de hidrógeno donde las propiedades físicas son variables.

En conclusión, el trabajo proporciona una comprensión profunda de por qué fallan los modelos RANS en la mezcla de hidrógeno y establece una base sólida para el desarrollo de modelos de turbulencia más robustos y precisos para la próxima generación de motores de hidrógeno.