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

Este estudo utiliza simulação numérica direta (DNS) para avaliar modelos de turbulência na mistura de um jato de hidrogênio em fluxo cruzado, demonstrando que, embora a simulação de grandes vórtices (LES) apresente excelente concordância com os dados de referência, a abordagem RANS falha em prever o processo de mistura devido a suposições inadequadas sobre a difusividade turbulenta isotrópica e ao superdimensionamento do número de Schmidt turbulento.

O essencial

Imagine que você está tentando misturar uma gota de corante azul (o hidrogênio) em um rio que corre rápido (o ar). O objetivo é que o azul se espalhe perfeitamente por toda a água o mais rápido possível, para que a mistura fique uniforme. Isso é exatamente o que acontece dentro de um motor movido a hidrogênio: o combustível é injetado em um jato contra o fluxo de ar que entra no motor.

Este artigo científico é como um "teste de laboratório gigante" para ver como os computadores conseguem prever essa mistura. Os pesquisadores usaram três métodos diferentes para simular esse processo, como se fossem três tipos de lentes de câmera diferentes:

1. As Três Lentes (Os Métodos)

• DNS (A Câmera de Ultra-Alta Definição): Esta é a "lente mágica". Ela vê tudo. Cada pequeno redemoinho, cada gotícula de ar e cada movimento do hidrogênio é calculado com precisão absoluta. É como filmar o rio com uma câmera que captura até o movimento de cada molécula. O problema? É tão detalhada que exige um computador superpoderoso e leva dias para rodar uma simulação. É o "padrão ouro" para saber a verdade.
• LES (A Câmera de Alta Definição): Esta lente vê os grandes redemoinhos e os movimentos principais, mas ignora os detalhes minúsculos (como se estivesse focando no rio, mas deixando o fundo levemente desfocado). É muito boa, mas ainda exige um computador forte.
• RANS (A Lente de Desenho Esquemático): Esta é a lente usada na indústria hoje em dia porque é rápida e barata. Em vez de ver os redemoinhos, ela desenha uma "média" do que acontece. É como tentar prever o clima de um mês inteiro olhando apenas para a média de temperatura, sem se preocupar com tempestades específicas. É rápida, mas pode perder detalhes importantes.

2. O Que Eles Descobriram?

Os pesquisadores compararam os resultados das três lentes e descobriram coisas fascinantes:

• A Lente RANS (a rápida) estava errada na mistura: Ela achou que o hidrogênio se misturava muito menos do que realmente acontece. Imagine que a lente RANS desenha o hidrogênio como uma "nuvem" que fica presa em um canto, enquanto na verdade (segundo a lente DNS), ele se espalha por todo o rio.
• Por que a lente RANS falhou? Eles descobriram que a fórmula matemática que a lente RANS usa tem dois defeitos principais:
  1. A "Fórmula de Mistura" estava muito conservadora: Eles usavam um número chamado "Número de Schmidt Turbulento" (pense nele como um "botão de velocidade de mistura"). O botão estava configurado para ser muito lento. Na verdade, a mistura real é muito mais rápida e caótica do que o modelo assumia.
  2. A "Viscosidade" estava errada: O modelo também subestimava o quanto o fluido se "esfrega" e cria turbulência. É como se o modelo achasse que o rio estava mais calmo do que realmente estava.

3. A Grande Revelação: A Mistura Não é Simétrica

A parte mais interessante do estudo é que eles provaram que a mistura de hidrogênio não é igual em todas as direções.

Imagine que você joga tinta na água. O modelo antigo (RANS) assumia que a tinta se espalharia como uma bola de neve perfeita, igual para cima, para baixo, para a esquerda e para a direita.
Mas a realidade (vista pela lente DNS) mostrou que a tinta se espalha de forma distorcida. Ela se espalha muito mais rápido em uma direção do que em outra. É como se a tinta fosse um elástico esticado: ela se move rápido para frente, mas demora para se espalhar para os lados.

O modelo RANS, ao assumir que a mistura é "perfeitamente redonda" (isotrópica), falha em capturar essa distorção. É como tentar desenhar um ovo usando apenas um compasso para fazer círculos perfeitos; você nunca vai acertar a forma real.

Conclusão Simples

Este estudo é como um mapa de correção para os engenheiros que projetam motores de hidrogênio.

1. O que funciona: A simulação de "alta definição" (LES) é excelente e quase tão boa quanto a "ultra-definição" (DNS).
2. O problema: O método rápido usado na indústria (RANS) está subestimando a mistura. Ele acha que o hidrogênio fica "preso" e não se mistura bem, o que pode levar a motores menos eficientes ou mais poluentes.
3. A solução futura: Para consertar o método rápido, os engenheiros precisam parar de tratar a mistura como algo "redondo e igual" e começar a considerar que ela é "distorcida e rápida" em certas direções. Eles também precisam ajustar os botões de velocidade (os números de Schmidt) para valores mais realistas, baseados nos dados super precisos que este estudo forneceu.

Em resumo: Para fazer motores de hidrogênio melhores e mais limpos, precisamos ensinar os computadores a "ver" a mistura de forma mais realista, entendendo que o caos do turbilhão não é simétrico, mas sim um redemoinho complexo e rápido.

Resumo técnico

Título: Mistura turbulenta de um jato de hidrogênio em escoamento cruzado: Simulação Numérica Direta (DNS) e avaliação de modelos

1. Problema e Contexto

O hidrogênio (H₂) é considerado uma solução promissora para melhorar o desempenho e reduzir emissões em motores de combustão interna (ICE), especialmente em aplicações pesadas fora de estrada. Em sistemas de injeção de combustível por porta (PFI) a hidrogênio, o combustível é injetado no ar através de um jato em escoamento cruzado (JICF - Jet in Crossflow). O processo de mistura entre o H₂ e o ar é crítico para a eficiência da combustão e as emissões.

Embora a Dinâmica dos Fluidos Computacional (CFD) seja uma ferramenta essencial, os modelos industriais padrão baseados em Médias de Reynolds (RANS) frequentemente falham em prever com precisão a mistura turbulenta em configurações JICF complexas. Estudos anteriores sugeriram que a correção do número de Schmidt turbulento ($Sc_t$) pode melhorar os resultados, mas a natureza física das deficiências dos modelos RANS em configurações específicas de hidrogênio (com baixas razões de densidade e propriedades variáveis) ainda não foi totalmente compreendida.

2. Metodologia

O estudo realizou uma comparação abrangente utilizando três abordagens numéricas para um jato de H₂ em um canal de ar, representativo de um motor PFI pesado:

• Simulação Numérica Direta (DNS): Realizada com o código Nek5000 (Argonne National Laboratory).
  • Resolução: Malha não uniforme com ~93 milhões de pontos (elementos espectrais de 7ª ordem).
  • Condições: Jato inclinado a 60°, diâmetro de 19 mm, números de Reynolds de 4.600 (jato) e 22.100 (escoamento cruzado).
  • Objetivo: Servir como "verdade fundamental" (ground truth) para avaliar os outros modelos.
• Simulação de Grandes Vórtices (LES): Realizada com o código CONVERGE.
  • Utilizou o modelo Dynamic Structure.
  • Malha mais fina (nível 4, ~8,9 milhões de células) para capturar estruturas turbulentas grandes.
• Médias de Reynolds (RANS): Realizada com o código CONVERGE.
  • Utilizou o modelo de turbulência $k-\epsilon$ RNG.
  • Malha padrão para motores (nível 3, ~1,2 milhões de células).
  • Modelo de difusão de gradiente (GDH) com $Sc_t = 0,78$ (valor padrão).

3. Contribuições Principais

• Geração de um Novo Dataset: Criação de um conjunto de dados DNS de alta resolução e totalmente resolvido para um jato de H₂ em escoamento cruzado com razões de densidade realistas (H₂ muito mais leve que o ar), algo raro na literatura para aplicações de motores.
• Diagnóstico de Modelos RANS: Identificação das causas raiz da falha dos modelos RANS na previsão da mistura de hidrogênio, indo além da simples calibração de constantes.
• Análise de Anisotropia: Demonstração quantitativa de que a suposição de difusividade turbulenta isotrópica (comum no GDH) é inválida para esta configuração.

4. Resultados Chave

A. Desempenho na Previsão do Escoamento e Mistura:

• LES: Apresentou excelente concordância com a DNS tanto para o campo de velocidade média quanto para os componentes de tensão de Reynolds e o processo de mistura de H₂.
• RANS:
  • Previu o campo de velocidade média de forma razoável (qualitativamente correta).
  • Falha Crítica: Subestimou drasticamente todos os componentes das tensões de Reynolds.
  • Mistura: Subestimou significativamente o processo de mistura. O modelo RANS previu uma separação clara entre o jato principal e o ramo secundário, criando uma região de baixa concentração de H₂ na parede inferior que não existia na DNS ou LES.

B. Análise das Propriedades de Transporte Turbulento:
Ao extrair propriedades diretamente dos dados DNS para comparar com os valores usados no RANS, os autores identificaram duas causas principais para a falha na previsão da mistura:

1. Subestimação da Viscosidade Turbulenta ($\nu_t$): O modelo RANS subestimou a magnitude da viscosidade turbulenta em comparação com a DNS.
2. Sobreestimação do Número de Schmidt Turbulento ($Sc_t$): O valor padrão de $Sc_t = 0,78$ usado no RANS é muito alto. A DNS revelou que o $Sc_t$ efetivo varia espacialmente, com valores médios muito menores (pico da distribuição de probabilidade próximo a 0,44). A combinação de $\nu_t$ baixo e $Sc_t$ alto resulta em uma difusividade turbulenta ($D_t$) subestimada no RANS, impedindo a mistura adequada.

C. Anisotropia e o Modelo GDH:

• A análise dos componentes do tensor de Schmidt ($Sc_{t,x}, Sc_{t,y}, Sc_{t,z}$) mostrou que a difusividade é altamente anisotrópica. Especificamente, $Sc_{t,x}$ é próximo de zero, enquanto $Sc_{t,y}$ varia drasticamente.
• O cálculo do ângulo de desalinhamento ($\theta$) entre o fluxo de espécie real (DNS) e o previsto pelo modelo GDH mostrou valores altos (média de ~37°, chegando a 90° perto da saída do jato).
• Conclusão: A suposição de que o fluxo turbulento é alinhado com o gradiente de concentração (hipótese de difusão de gradiente isotrópica) é inválida para este caso. Ajustar apenas o valor de $Sc_t$ (mesmo para o valor ótimo de 0,44) melhorou o resultado apenas parcialmente, pois não resolve o problema da anisotropia.

5. Significado e Conclusões

Este estudo demonstra que a melhoria da previsão de mistura de hidrogênio em modelos RANS não pode ser alcançada apenas ajustando o número de Schmidt. É necessário:

1. Melhorar a previsão da viscosidade turbulenta ($\nu_t$).
2. Abandonar a suposição de difusividade isotrópica e considerar modelos de ordem superior (como GGDH ou HOGGDH) que capturem a anisotropia do transporte turbulento.

Os dados DNS gerados neste trabalho servem como um benchmark valioso para o desenvolvimento futuro de modelos de turbulência e mistura específicos para motores a hidrogênio, permitindo o design de injetores e motores mais eficientes e limpos.