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

Cette étude utilise une simulation numérique directe (DNS) pour évaluer les performances de la simulation des grandes échelles (LES) et de la moyenne de Reynolds (RANS) dans la prédiction du mélange d'un jet d'hydrogène en écoulement transversal, révélant que le RANS sous-estime significativement le mélange en raison de modèles de diffusivité turbulente inadéquats, tandis que la LES offre une excellente concordance avec les données DNS.

L'essentiel

🚀 Le Défi : Mélanger l'Hydrogène comme un Chef Cuisinier

Imaginez que vous essayez de faire une vinaigrette parfaite. Vous avez un filet d'huile (l'hydrogène) que vous versez dans un bol de vinaigre (l'air) qui est déjà en mouvement. Si vous versez trop vite ou mal, l'huile flotte par-dessus sans se mélanger. Si vous mélangez trop bien, c'est parfait.

Dans les moteurs à hydrogène de demain, les ingénieurs doivent faire exactement la même chose : injecter de l'hydrogène dans un courant d'air rapide pour qu'ils se mélangent parfaitement avant de brûler. Si le mélange est mauvais, le moteur consomme trop ou pollue.

Le problème, c'est que ce mélange est turbulent. C'est comme essayer de prédire comment une goutte d'encre va se disperser dans une rivière agitée par un vent fort. C'est extrêmement difficile à calculer.

🔍 L'Expérience : Trois Manières de Regarder le Mélange

Les chercheurs de cette étude (du Laboratoire National d'Argonne, de Caterpillar et de Convergent Science) ont voulu tester trois "façons de voir" ce mélange pour savoir laquelle est la plus fiable. Ils ont créé une simulation numérique ultra-précise d'un jet d'hydrogène traversant un courant d'air.

Voici les trois méthodes comparées, avec une analogie :

1. DNS (La Simulation Directe) : Le "Super-Héros" de la Précision

   • L'analogie : C'est comme filmer la rivière avec une caméra 8K ultra-rapide qui capture chaque goutte d'eau, chaque tourbillon minuscule, et chaque mouvement de l'encre.
   • Résultat : C'est la vérité absolue. C'est parfait, mais c'est si lourd à calculer que cela prendrait des années sur des superordinateurs pour un vrai moteur. On ne peut pas l'utiliser pour concevoir des moteurs au quotidien.

2. LES (La Simulation des Gros Tourbillons) : Le "Caméscope Pro"

   • L'analogie : Ici, on ne filme pas chaque goutte, mais on filme les gros mouvements de l'eau et on devine ce que font les petites gouttes. C'est comme regarder une tempête de la fenêtre : on voit les gros nuages et le vent, mais pas chaque goutte de pluie.
   • Résultat : C'est très proche de la vérité (DNS). Les chercheurs ont trouvé que cette méthode prédit très bien la vitesse de l'air et comment l'hydrogène se mélange. C'est excellent, mais encore un peu trop cher pour les ingénieurs qui doivent tester des centaines de designs.

3. RANS (La Moyenne Statistique) : Le "Météo du Matin"

   • L'analogie : C'est la méthode la plus rapide, utilisée par les ingénieurs au quotidien. Au lieu de regarder les tourbillons, on ne regarde que la moyenne du vent. On dit "en moyenne, le vent souffle vers le nord". On ignore tous les détails turbulents.
   • Résultat : C'est rapide et peu coûteux, MAIS c'est là que ça coince.

📉 Le Problème : Pourquoi la Méthode Rapide (RANS) Échoue

C'est le cœur de la découverte de l'article. Les chercheurs ont comparé la méthode rapide (RANS) avec la vérité absolue (DNS) et ont trouvé deux gros problèmes :

1. Elle sous-estime le chaos : La méthode RANS pense que l'air est plus calme et plus lisse qu'il ne l'est vraiment. Elle rate tous les petits tourbillons qui aident à mélanger l'hydrogène.
2. Elle utilise une mauvaise "recette" de mélange : Pour calculer le mélange, les ingénieurs utilisent une formule magique avec un nombre appelé "Nombre de Schmidt". C'est comme une épice dans une recette.
   • La découverte : Les chercheurs ont regardé la vérité (DNS) et ont vu que la quantité d'épice (le nombre de Schmidt) réelle est très différente de celle utilisée dans la recette rapide. De plus, la recette suppose que le mélange se fait de la même façon dans toutes les directions (comme si l'huile se dispersait en rond parfait), alors que dans la réalité, l'hydrogène s'étire et se déforme de manière bizarre et asymétrique.

Le résultat final : La méthode rapide (RANS) prédit que l'hydrogène reste groupé en un gros bloc au lieu de se disperser. Elle dit : "Pas de panique, ça va bien se mélanger", alors qu'en réalité, il reste des zones où il n'y a pas assez d'hydrogène et d'autres où il y en a trop.

💡 La Conclusion : Ce qu'il faut retenir

Cette étude est comme un rapport de contrôle qualité pour les logiciels de simulation de moteurs.

• Ce qui marche : La méthode "moyenne" (LES) est excellente et très proche de la réalité.
• Ce qui ne marche pas : La méthode rapide (RANS), utilisée par l'industrie, est trop simpliste pour l'hydrogène. Elle sous-estime le mélange car elle ne comprend pas bien la turbulence et utilise de mauvais paramètres.

L'avenir : Les chercheurs disent qu'il faut réécrire les "recettes" (les modèles mathématiques) utilisées dans les logiciels rapides. Il faut apprendre à ces logiciels à mieux comprendre que l'hydrogène ne se mélange pas de façon ronde et uniforme, mais de façon chaotique et directionnelle. Grâce à leurs données ultra-précises (DNS), ils peuvent maintenant aider les ingénieurs à créer des moteurs à hydrogène plus propres et plus performants.

En résumé : Pour bien mélanger l'hydrogène, il faut arrêter de faire des moyennes trop simplistes et commencer à comprendre la vraie nature du chaos turbulent !

Résumé technique

Titre de l'étude

Mélange turbulent d'un jet d'hydrogène en écoulement transversal : Simulation Numérique Directe (DNS) et évaluation des modèles.

1. Problématique

L'étude se concentre sur le processus de mélange d'un jet d'hydrogène (H₂) injecté dans un écoulement d'air transversal (configuration JICF : Jet in Crossflow). Cette configuration est représentative des systèmes d'injection de carburant (PFI) dans les moteurs à combustion interne (ICE) lourds fonctionnant à l'hydrogène.

• Enjeu : Le mélange carburant-air est critique pour les performances du moteur et les émissions. Une prédiction précise est nécessaire pour la conception de nouveaux injecteurs et moteurs.
• Défi de modélisation : Bien que les simulations numériques (CFD) soient essentielles, les approches industrielles courantes reposent sur les équations de Navier-Stokes moyennées (RANS) en raison de leur faible coût computationnel. Cependant, les modèles RANS actuels, basés sur l'hypothèse de diffusion de gradient (GDH) et un nombre de Schmidt turbulent ($S_{ct}$) constant, montrent des limites dans la prédiction du mélange turbulent, en particulier pour l'hydrogène qui possède une densité très faible et une diffusivité moléculaire élevée.
• Objectif : Évaluer la capacité des modèles RANS et LES (Large Eddy Simulation) à prédire le champ de vitesse et le processus de mélange de l'hydrogène, en utilisant la Simulation Numérique Directe (DNS) comme référence de vérité terrain.

2. Méthodologie

Les auteurs ont comparé trois approches numériques sur une géométrie représentant un port d'admission d'un moteur lourd :

• Configuration physique : Un jet d'hydrogène gazeux (325 K, 4,3 bar) est injecté à travers un orifice circulaire incliné de 60° dans un canal d'air transversal. Les nombres de Reynolds sont de 4600 pour le jet et 22 100 pour l'écoulement transversal.
• Simulation Numérique Directe (DNS) :
  • Outil : Code spectral élémentaire Nek5000.
  • Résolution : Maillage non uniforme de 268 000 éléments spectraux (ordre 7), totalisant environ 93 millions de points de grille.
  • Précision : Résolution complète de toutes les échelles turbulentes ($y^+ < 1$).
  • Statistiques : Collectées sur 10 temps de passage d'écoulement (FTT) après l'état stationnaire.
• Simulation des Grandes Échelles (LES) et RANS :
  • Outil : Code CONVERGE (v4.0).
  • Modèles : Modèle de structure dynamique pour la LES ; modèle $k-\epsilon$ RNG pour le RANS.
  • Maillage : Comparaison de deux résolutions de maillage. La LES utilise un maillage fin (0,25 mm, $y^+ \approx 5$) tandis que le RANS utilise un maillage standard moteur (0,5 mm, $y^+ \approx 10$).
  • Hypothèse RANS : Utilisation de l'hypothèse de diffusion de gradient (GDH) avec un nombre de Schmidt turbulent fixe ($S_{ct} = 0,78$).

3. Contributions Clés

1. Génération d'une base de données DNS unique : Création d'un jeu de données DNS haute résolution pour un jet d'hydrogène en écoulement transversal, pertinent pour les applications réelles de moteurs à hydrogène (incluant les effets de densité variable et de propriétés physiques dépendantes de la concentration).
2. Évaluation comparative rigoureuse : Analyse systématique des performances de la LES et du RANS par rapport à la DNS pour les champs de vitesse, les contraintes de Reynolds et le mélange d'espèces.
3. Diagnostic des défaillances du RANS : Extraction directe des propriétés de transport turbulent (viscosité turbulente $\nu_t$, diffusivité turbulente $D_t$, et nombre de Schmidt $S_{ct}$) à partir des données DNS pour identifier les causes racines des erreurs du modèle RANS.
4. Validation de l'anisotropie : Démonstration que l'hypothèse d'une diffusivité turbulente isotrope (couramment utilisée dans le GDH) est invalide pour cette configuration.

4. Résultats Principaux

A. Prédiction des champs d'écoulement

• LES : Excellente concordance avec la DNS pour les vitesses moyennes et, surtout, pour les composantes des contraintes de Reynolds (turbulence). Elle capture correctement les structures tourbillonnaires (paires de tourbillons contrarotatifs).
• RANS : Prédit raisonnablement bien le champ de vitesse moyen, mais sous-estime considérablement toutes les composantes des contraintes de Reynolds. Il ne résout aucune structure fine de l'écoulement.

B. Prédiction du mélange d'hydrogène

• LES : Montre un accord excellent avec la DNS. Le mélange est correctement prédit, avec une dispersion homogène de l'hydrogène en aval.
• RANS : Sous-estime fortement le processus de mélange.
  • Prédit une séparation nette entre le jet principal et la branche secondaire, créant une zone pauvre en H₂ non observée dans la DNS.
  • Sur-estime la concentration maximale d'hydrogène en aval (le nuage de H₂ reste plus concentré).
  • Le mélange avec l'air est insuffisant par rapport à la réalité physique.

C. Analyse des causes des erreurs RANS

L'analyse des propriétés de transport extraites de la DNS révèle deux facteurs majeurs expliquant la sous-estimation du mélange par le RANS :

1. Sous-estimation de la viscosité turbulente ($\nu_t$) : Le modèle RANS prédit une viscosité turbulente beaucoup plus faible que celle observée dans la DNS, ce qui réduit le mélange global.
2. Sur-estimation du nombre de Schmidt turbulent ($S_{ct}$) : La valeur par défaut utilisée en RANS (0,78) est trop élevée. Les données DNS montrent que la valeur optimale de $S_{ct}$ est beaucoup plus faible (autour de 0,44 en moyenne, avec une distribution large).
   • La diffusivité turbulente $D_t = \nu_t / S_{ct}$ est donc doublement pénalisée : un $\nu_t$ trop faible et un $S_{ct}$ trop élevé.

D. Anisotropie de la diffusivité

• L'étude a démontré que la diffusivité turbulente n'est pas isotrope.
• Les composantes du nombre de Schmidt turbulent ($S_{ct,x}, S_{ct,y}, S_{ct,z}$) varient considérablement selon la direction.
• L'angle de désalignement ($\theta$) entre le flux d'espèces réel (DNS) et celui prédit par le modèle GDH est important (pic à ~37°, atteignant jusqu'à 90° près de l'injecteur). Cela prouve que l'hypothèse d'isotropie du GDH est fondamentalement incorrecte pour ce type d'écoulement complexe.

5. Signification et Implications

• Pour la modélisation RANS : L'étude indique que l'ajustement simple du nombre de Schmidt turbulent ($S_{ct}$) ne suffit pas à corriger les erreurs de mélange. Il est nécessaire de développer des modèles qui améliorent la prédiction de la viscosité turbulente ($\nu_t$) et qui prennent en compte l'anisotropie de la diffusivité (par exemple, via des modèles d'ordre supérieur comme GGDH ou HOGGDH).
• Pour l'industrie automobile : Les résultats fournissent des données de référence cruciales pour valider et améliorer les modèles CFD utilisés dans la conception de moteurs à hydrogène. Ils soulignent les limites des approches RANS standards pour les systèmes d'injection d'hydrogène et orientent vers des stratégies de modélisation plus sophistiquées.
• Pour la recherche fondamentale : La base de données DNS publique permettra le développement futur de modèles de viscosité et de diffusivité turbulente spécifiques aux mélanges d'hydrogène/air à densité variable.

En conclusion, bien que le RANS reste un outil pratique pour la conception itérative, cette étude met en évidence ses lacunes critiques pour le mélange d'hydrogène, principalement dues à une mauvaise estimation de la viscosité turbulente et à l'hypothèse erronée d'une diffusivité isotrope.