You are on page 1of 3

Performance of subgrid-scale models in large eddy simulation of a laminar separation bubble

Francois Cadieux & Julian A. Domaradzki Department of Aerospace & Mechanical Engineering University of Southern California Los Angeles, California 90089 E-mail: cadieux@usc.edu

March 4, 2015

The flow over blades and airfoils at moderate angles of attack and Reynolds numbers ranging from 10, 000 to 200, 000 often undergoes separation-induced transition and forms a laminar separation bubble due to the adverse pressure gradient generated by surface curvature. This phenomenon significantly impacts the aerodynamic performance of small UAVs and low pressure turbines. Fast and accurate CFD prediction tools are sought at the design stage to produce more efficient airfoil shapes, test flow control schemes, and better predict high cycle fatigue (HCF) for turbomachinery blades. To avoid numerical issues associ- ated with body-fitted meshes, an equivalent problem is formulated on a flat plate (figure 1) by imposing boundary conditions that lead to a pressure distribution and Reynolds number that are similar to those on airfoils (Spalart & Strelets, J. Fluid Mech., 403, 2000). Large eddy simulation (LES) of laminar separation bubble flow over a flat plate are performed with different subgrid-scale (SGS) models at drastically reduced resolution – 1% of direct numerical simulation (DNS) resolution – for a fast time-to-solution and are found to improve on Reynolds-averaged Navier-Stokes (RANS) predictions when compared to DNS data for key metrics such as time-averaged pressure and skin friction shown in figure 2a and 2b. The dynamic Smagorin- sky model (DSM), the σ-model, and the truncated Navier-Stokes model with automatic filtering (TNS-A) show remarkable agreement with the DNS benchmark whereas the no-model simulation’s predictions do not because of excessive energy accumulating at the small scales contaminating the solution due to the lack of numerical dissipation. The performance of the models is delineated in their ability to capture mean velocity and RMS fluctuation profiles seen in figure 3, as well as their ability to predict the reattachment point and shape factor. TNS-A demonstrates the best agreement and is the least costly, followed closely by the σ-model whereas DSM is nearly twice as costly due to its extensive use of test-filters.

1

p

C

p C Figure 1: Physical domain, boundary and inlet conditions used to investigate laminar separation bubble

Figure 1: Physical domain, boundary and inlet conditions used to investigate laminar separation bubble flow.

0.5

0.4

0.3

0.2

0.1

0

 

x 10 3

4
 

6

4

4

2

f

C

 

0

−2

−4

1

2

3

4

5

6

7

1

2

3

4

x

5

6

7

 

x

 
  • (a) C p =

pp .
1

  • 2 ρU

2

 

(b)

C f =

µ ∂U

∂y

  • 2 1 ρU

  • 2 .

 
 

Figure 2: Time-averaged C f and C p at the wall for LES at 1% of DNS resolution.

Circles: Spalart &

Strelets (2000) DNS; dotted line: under-resolved DNS; dashed line: σ-model ; dash-dotted line: dynamic

Smagorinsky; line: truncated Navier-Stokes with automatic filtering.

2

y

y

y

0.2

0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0

y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.

(a) TNS-A.

0.2

0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0

y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
  • (c) σ-model.

0.2

0.18

0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0

y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.
y y y 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 (a) TNS-A.

(b) DSM.

(d) DNS [1].
(d)
DNS [1].

Figure 3: Line: U; dashed line:

u /u max

; dash-dotted line: |U y |/U y,max . From left to right, plots spaced

by 1.2:

x = 2, x = 2.5, x = 3, x = 3.5. [1] Spalart & Strelet (2000)

3