Documento sin título

Revista Ingeniería de Construcción Vol. 29 No1, Abril de 2014www.ricuc.cl PAG. 22-45


Modelación CFD de casos básicos de convección en ambientes cerrados: Necesidades de principiantes en CFD para adquirir habilidades y confianza en la modelación CFD

 

Magdalena Cortés*, Paul Fazio**, Jiwu Rao**, Waldo Bustamante³***, Sergio Vera¹***

* Pontificia Universidad Católica de Chile, Santiago. CHILE

** Concordia University, Montreal, Quebec. CANADA

*** Center for Sustainable Urban Development (CEDEUS). Pontificia Universidad Católica de Chile, Santiago. CHILE

Dirección de Correspondencia


RESUMEN

La predicción de patrones de flujo de aire, velocidad, temperatura, humedad y concentración de contaminantes son requeridos para el diseño de ambientes interiores saludables y confortables. La Dinámica de Fluidos Computacional (CFD) es la técnica más avanzada para modelar y predecir los flujos de aire en ambientes cerrados. Sin embargo, los principales errores en los modelos CFD y en sus resultados están relacionados con el factor humano. Los principiantes en modelación CFD no cuentan con las habilidades, experiencia y juicio ingenieril para generar modelos robustos y confiables. Este proceso no es intuitivo y los nuevos usuarios necesitan orientación. Este artículo busca proveer información más completa sobre la modelación CFD de casos básicos de convección natural, forzados y mixtos que permitirán a los nuevos usuarios adquirir las habilidades y confianza. La modelación CFD incluye la generación de malla, definición de criterios de convergencia y factores de relajación, y la evaluación de modelos de turbulencia para cada caso. Los resultados muestran que es necesaria la experiencia de los usuarios en cada paso de la modelación CFD, incluso para casos simples de convección.

Palabras claves: CFD, ambientes cerrados, nuevos usuarios CFD, modelos de turbulencia, validación CFD


1. Introducción

La distribución de aire en los ambientes interiores de edificios tiene impactos significativos sobre la calidad del aire interior, confort térmico y eficiencia energética. Parámetros importantes del aire intramuros son la temperatura y la humedad relativa; la concentración de contaminantes como el dióxido de carbono (CO2) y los compuestos orgánicos volátiles (VOC); las temperaturas de las superficies interiores; y la distribución de la velocidad del aire y la intensidad de la turbulencia (Zhai et al., 2007). El flujo de aire en ambientes cerrados puede ser natural, forzado o mixto e impulsado por fuerzas diferentes tales como infiltración inducida por viento, flotabilidad térmica y ventilación mecánica.

La técnica de la dinámica de fluidos computacional (CFD, en inglés) ha tenido un rápido avance después de su primera aplicación para simular las corrientes de aire interiores realizada por Nielsen (1974). Similar a las herramientas de simulación energética para las edificaciones, hoy en día, la modelación CFD se aplica amplia e intensamente en las etapas de diseño de los edificios. Es una herramienta adecuada para modelar las condiciones del aire intramuros tanto para la investigación como para el diseño ya que puede ahorrar tiempo y esfuerzos (Hajdukiewicz et al., 2013). Sin embargo, ésta conlleva el riesgo de obtener resultados erróneos debido a la falta de habilidades de lo usuarios en modelación CFD y experticia para tratar problemas ingenieriles específicos del aire interior. Por lo tanto, los códigos de modelación CFD y las habilidades del usuario deben ser verificados y validados para obtener simulación exitosas y resultados confiables (AIAA, 1998).

La modelación CFD exige contar con experticia en:

Decidir cómo modelar un problema ingenieril específico. Por ejemplo, la física de un problema podría ser representada como 2D o 3D, y en estado transiente o estacionario.

Definir la geometría que representa el problema ingenieril del ambiente interior.

Generar una malla adecuada, lo que incluya decisiones sobre las dimensiones y topología del mallado así como también verificar que los resultados son independientes de la malla utilizada.

Establecer las propiedades de los fluidos.

Establecer las condiciones de borde tales como las condiciones de borde de los muros (temperatura de la superficie, flujo de calor), entradas y retornos de aire, fuentes y sumideros de calor y de humedad, etc.

Definir algoritmos de solución, tales como métodos de solución basados en la presión o densidad.

Escoger un modelo de turbulencia adecuado que entregue resultados confiables para el flujo de aire característico del problema.

Establecer parámetros numéricos como esquemas de diferenciación, factores de relajación, paso de tiempo en caso de problemas en estado transiente, número de iteraciones, criterios de convergencia, etc.

Muchos códigos de modelación CFD ya han sido verificados, por lo que gran parte de los errores en la simulación de ambientes cerrados usando CFD recaen en el factor humano. Estos errores están asociados a la actitud del usuario y a su experiencia (Casey & Wintergeste, 2000). A menudo, los usuarios sin experiencia pueden no darse cuenta de que los resultados son erróneos, esto debido al acceso fácil a softwares comerciales con interfaces amigables para el usuario y coloridos resultados que aumentan el riesgo de una falsa confianza.

La guía "Best Practice Guidelines for Quality and Trust in Industrial CFD" (Casey & Wintergeste, 2000) señala la necesidad de un entrenamiento para los usuarios de CFD y entrega las pautas para hacerlo. Además, las pautas de la AIAA (1998), ERCOFTAC (Casey & Wintergeste, 2000), ASHRAE (Chen & Srebric, 2001), y Oberkampf y Trucano (2002) muestran los procedimientos para validar los modelos CFD basados en la comparación de los resultados de simulaciones CFD para diversos modelos de turbulencia con datos experimentales. Ambos procedimientos, podrían ayudar a los nuevos usuarios de CFD a adquirir la experiencia y confianza necesarias para la modelación de ambientes cerrados.

Sin embargo, la desventaja de estos procedimientos es que el foco principal está puesto en la evaluación de diferentes modelos de turbulencia para ambientes cerrados, pero no entregan información detallada sobre los parámetros usados en esos modelos CFD, ni los juicios ingenieriles aplicados para definir los parámetros de modelación ni cómo generar un modelo representativo de la realidad. Esta información es útil para que el nuevo usuario de CFD pueda adquirir las habilidades y confianza en este tipo de modelación.

En consecuencia, este artículo busca entregar una información más completa sobre la modelación CFD de casos básicos de convección natural, forzada y mixta. Se presenta la validación CFD de cinco modelos de turbulencias k-ε y k-ω para mostrar el criterio y los juicios ingenieriles usados para modelar los casos de Ampofo y Karayiannis (2003) para convección natural (NC, en inglés), Restivo (1979) para convección forzada (FC, en inglés) y Blay et al. (1992) para convección mixta (MC, en inglés). El proceso de validación CFD y datos presentados en este trabajo podrían ser usados como ejercicios para que los nuevos usuarios CFD adquieran las habilidades y la experiencia necesarias de modelación CDF.

 

2. Evaluación de los modelos de turbulencias y estudios experimentales

Esta investigación propone que el proceso de validación CFD sea de acuerdo con las guías CFD (AIAA, ASHRAE, etc.) y complementado con información sobre los parámetros usados y los juicios ingenieriles aplicados, es una metodología adecuada para capacitar a usuarios CFD sin experiencia previa. Gran parte de la validación CFD está enfocada en las dos últimas décadas para evaluar diferentes modelos de turbulencia. Esto requiere de conjuntos de datos experimentales para comparar resultados de CFD de las cantidades predichas con las mediciones experimentales (por ej., velocidad del aire, temperatura, energía cinética turbulenta, etc.). En las secciones siguientes se resumen los estudios más recientes de evaluación de los modelos de turbulencia, así como los casos experimentales básicos para NC, FC y MC que serán modelados como ejercicios de entrenamiento para los nuevos usuarios de CFD.

2.1 Evaluación de los modelos de turbulencia

Existe una gran cantidad de estudios relacionados con la evaluación de los modelos de turbulencia para ambientes cerrados. Muchos se centran en la evaluación de las capacidades de los diferentes modelos de turbulencia (k- ε estándar, k-ε RNG, k-ε realizable, k-ε estándar, SST k-ω, etc.) para predecir los patrones de flujos de aire y las condiciones ambientales interiores para convección natural, forzada y mixta en cavidades cerradas, y en oficinas y atrios reales. La Tabla 1 resume algunos de esos estudios, los que cubren una amplia gama de modelos de turbulencia, desde modelos simples como el método Ecuación-cero de Chen y Xu (1998) hasta modelos más avanzados como los modelos de simulación de torbellino-separado (detached-eddy simulation models) de (Shur et al. 1999). La tabla entrega una evaluación del comportamiento de los diversos modelos de turbulencia para predecir la temperatura y velocidad desde "A" a "D" de acuerdo con la información entregada por los estudios revisados. "A", "B", "C" y "D" significa que los errores entre las mediciones y simulaciones es menor al 20%, entre 20 y 30%, entre 30 y 40%, y mayor al 40%, respectivamente.

Tabla 1. Revisión de la literatura sobre el comportamiento de los modelos de turbulencia

 

Se observa que muchos autores han evaluado los modelos k-ω estándar y k-ω SST para NC, los que muestran un excelente desempeño para predecir la temperatura y la velocidad. Un par de estudios (Choi & Kim, 2012; Zhang et al., 2007) también han mostrado un excelente desempeño del modelo v2f y su variable v2f-dav para NC.

Para FC, los modelos k- ε estándar y k-ε RNG mostraron buenos resultados para la temperatura y un comportamiento levemente inferior para la velocidad. Zhang et al. (2007) demostraron que los modelos v2f-dav y LES (Large Eddy Simulation) también entregan excelentes predicciones de las condiciones de aire interior. El modelo SST k-ω fue evaluado por Cao et al. (2011) y Zhang et al. (2007), sin embargo sus resultados fueron muy diferentes. De hecho, mientras Cao et al. (2011) encontraron que el modelo SST k-ω entrega excelentes resultados, Zhang et al. (2007) señalan que su comportamiento fue pobre.

Para MC, los errores de evaluación caen bajo los rangos "A" o "B" para todos los modelos de turbulencia. Rohdin y Moshfegh (2011) evaluaron diversas variantes de los modelos k-ε (estándar, RNG y Realizable) en grandes salas industriales. Aunque estos modelos de turbulencia predijeron bien las condiciones del flujo de aire, el RNG mostró los mejores resultados incluso para el transporte de contaminantes en las grandes salas. Zhang et al. (2007) encontraron que los modelos de ecuación-cero, k-ε RNG y v2f-dav predicen adecuadamente las condiciones del flujo de aire en cavidades cerradas con un número Raleigh bajo. Stamous y Katsiris (2006) evaluaron diversos modelos de turbulencia en oficinas, concluyendo que todos los modelos evaluados predecían correctamente la temperatura y la velocidad, sin embargo, el modelo k-ω SST se comportaba mejor cuando se usaba una malla adecuada.

2.2 Estudios experimentales

Se necesitan conjuntos de datos completos para realizar estudios experimentales sobre las condiciones del aire interior en cavidades cerradas y poder validar los modelos CFD y evaluar diferentes modelos de viscosidad de torbellino de dos ecuaciones. Este trabajo muestra el procedimiento de validación para casos básicos de convección natural, forzada y mixta de acuerdo con las pautas ASHRAE (Chen and Srebric 2001).

La Figura 1 muestra las cavidades cerradas para cada flujo de convección, las que se describen brevemente a continuación:

Convección natural: Ampofo y Karayiannis (2003) realizaron una experiencia de convección natural en una cavidad cuadrada donde ocurrían flujos en 2D. El experimento consistía en una cavidad de 0,75 x 0,75 m y 1,5 m de profundidad (Figura 1a) con paredes calientes y frías a 50°C y 10°C, respectivamente; así, el número Ra era 1,58x109. La pared superior e inferior estaban bien aisladas. Las propiedades del fluido eran Cp = 1006,43 J/kg·°K, λ= 0,0242 W/m·°K, µ = 1,7894x10–5 kg/m·s y una masa molecular de 28,966 g/mol. 

Convección forzada: La sala isotérmica de Restivo (1979) informada en el IEA Anexo 20 y descrita en Nielsen (1990) consiste en una sala con flujo de convección forzada en 2D (Figura 1b). El aire ingresa por una ranura, con una velocidad del aire de 0,455 m/s y una temperatura del aire de 20°C. La sala mide 9,0 x 3,0 m, la altura de la entrada de aire es de 0,168 m y la altura de la salida es de 0,48 m. La velocidad cinemática de admisión de aire es de 15,3x106 m2/s, entonces Re es 5,000 basado en la altura de la entrada y sus condiciones de aire. Según Nielsen (1990), la intensidad de la turbulencia basada en las condiciones de la entrada de aire es de 4%.

Convección mixta: Blay et al. (1992) desarrollaron un aparato experimental de 1,04 x 1,04 x 0,7 m con un flujo en 2D (Figura 1c). El aire ingresa por la ranura a una temperatura y velocidad del aire de 15°C y 0,57 m/s, respectivamente. Las salidas están ubicadas a nivel del piso en la pared opuesta. La temperatura de la pared es de 15°C mientras que la temperatura del piso es de 35,5°C. Por lo tanto, el Re basado en las condiciones de entrada es 684. La intensidad de la turbulencia medida en la entrada es de 6%.

Figura 1. Cavidades experimentales para casos de NC, FC y MC (las dimensiones están en mm)

 

 

3. Modelación CFD de casos básicos de convección

En esta sección se presenta la evaluación de cinco modelos de viscosidad de torbellino de dos ecuaciones para los casos de convección señalados en la Figura 1. Cada caso constituye una oportunidad para los principiantes en CFD para adquirir las habilidades y la confianza necesarias para el modelado de ambientes cerrados. Se evalúan cinco modelos usando la última versión de FLUENT:
k-ε stándar (Launder & Spalding., 1974)
k-ε RNG (Yakhot & Orszag, 1986)
k-ε Realizable (Shih et al.,1995)
k-ω stándar (Wilcox, 1988)
SST k-ω (Menter, 1994)

En todos los casos de convección, el procedimiento de validación sigue el proceso señalado en la Figura 2, que es una adaptación de los procesos de validación propuestos por Hajdukiewicz et al. (2013). El primer paso consiste en la generación de un modelo CFD inicial y verificar que los resultados son independientes del mallado. Este ensayo consiste en verificar que los resultados simulados no varían significativamente para los diversos tamaños de las mallas. Por lo tanto, se escogió un tamaño de malla que pasara la prueba equilibrando la precisión y el costo computacional.

Este modelo inicial requiere de varios datos tales como una geometría que represente los problemas, condiciones de borde, parámetros relacionados con la física de los problemas (por ej., configuración 2D o 3D, estado estacionario o transiente), malla inicial y modelo de turbulencia. Para comenzar la verificación de la independencia del mallado, se fijó una malla gruesa. Luego, se aumentó de manera consecutiva el número de elementos de la malla y se refinó en ciertas zonas (por ej., zonas cercanas a las paredes, entrada). La independencia del tamaño de la malla se logra cuando los resultados son cercanos. Una vez lograda la independencia del mallado, se escoge un tamaño de malla que compense la precisión y el costo computacional.

A continuación, se realiza el procedimiento de validación que implica que ciertos parámetros del modelo CFD inicial puedan ser modificados (por ej., factores de relajación, mejoramiento de la malla, etc.) para ajustar los requisitos de cada modelo. Como la malla se ensaya para verificar la independencia de los resultados, en esta investigación se modificaron los factores de relajación para cada caso de convección y modelo de turbulencia para permitir la convergencia y obtener resultados de simulación precisos.

 Figura 2. Flujo de los procesos para la validación CFD como ejercico para que los nuevos ususarios adquieran habilidades en la modoelación CFD

 

3.1 Convección natural (NC)
3.1.1 Modelo CFD inicial
El experimento señalado en la Figura 1a fue modelado como 2D basado en lo informado por Ampofo y Karayiannis (2003). No fue posible alcanzar la convergencia cuando el problema fue definido como estado estacionario. Este resultado concuerda con estudios similares que habían modelado la misma experiencia (Rundle & Lighstone, 2007). Entonces, el problema se modeló como transiente con un paso temporal de 0,19 s. Cabe señalar que el paso de tiempo no es directo. Pasos de tiempo más pequeños podrían permitir resultados más precisos, pero la convergencia es más difícil de alcanzar. El modelo de turbulencia inicial se fijó como k-ω estándar porque presenta un buen comportamiento de acuerdo con la literatura revisada y señalada en la Tabla 1. La Tabla 2 presenta los principales parámetros establecidos para el modelo CFD inicial.

Se establecieron las temperaturas caliente y fría (Th y Tc en la Figura 1a) como condiciones de borde de las paredes laterales, caliente y fría, respectivamente. La paredes, superior e inferior, se establecieron como adiabáticas porque estaban altamente aisladas, por lo que los flujos de calor a través de éstas se asumieron como despreciables.

 Tabla 2. Parámetros CFD establecidos para el caso NC

 

 

El criterio de convergencia fue 10-³ para todos los parámetros excepto para energía. ANSYS (2012) recomienda un criterio de convergencia para energía de 10–6. Sin embargo, no fue posible obtener una convergencia con este criterio, por lo tanto, se aumentó a 10–4 para alcanzar la convergencia. Además, los factores de relajación por defecto debieron ser modificados para alcanzar la convergencia. La suma de los errores residuales logró alcanzar el criterio de convergencia en las 2.023 iteraciones como lo señala la Figura 3. En este número de iteración, los resultados no fueron satisfactorios y se realizaron simulaciones hasta las 4.000 iteraciones. Aunque el flujo del fluido se desarrolló a las 2.000 iteraciones como lo muestra la Figura 4, la distribución de la temperatura no es correcta hasta después de las 4.000 iteraciones. El aire caliente sube a lo largo de la pared caliente mientras el aire frío cae a lo largo de la pared fría y se produce la estratificación de la temperatura.

Figura 3. Residuales para el caso NC con k-ω estándar

 

Figura 4. Distribución de la temperatura para el caso de NC a diferentes iteraciones con k-ω estándar

 

 

3.1.2. Verificación de la independencia del mallado
En la geometría simplificada de la experiencia de Ampofo y Karayiannis (2003), la malla se compone de elementos cuadráticos con una distribución uniforme (malla estructurada) como se aprecia en la Figura 5a. Se refinó la malla cerca de las paredes de manera de transferir adecuadamente las condiciones de borde al dominio del aire. En efecto, se produjeron grandes gradientes de temperatura y velocidad en la zona cercana a las paredes, por lo tanto, una malla más fina permite predecir estas gradientes de manera más precisa. Se observa una malla más gruesa en el centro de la cavidad donde los parámetros del aire muestran una variación muy baja.

La verificación de la independencia del mallado se realizó para los tamaños de malla de 79x79, 94x94, 125x125 y 188x188. Las Figuras 6a y 7a muestran la temperatura y la velocidad a media altura de la cavidad cuadrada (Y/H = 0,5). Se observó que todos los tamaños de mallas predecían bien la velocidad y la temperatura en el centro de la cavidad a Y/H = 0,5. La diferencia máxima entre los datos simulados y los experimentales es de 0,23% para la malla de 94x94, lo que es despreciable.

Sin embargo, la Figura 6b indica que el modelo CFD con malla de 125x125 predice mejor la caída de la temperatura cerca de la pared caliente. Por otro lado, la Figura 7b muestra que la malla más gruesa predice muy bien la velocidad cerca de las paredes caliente y fría, en cambio las demás mallas la subestiman de manera significativa entre X/L 0,01 y 0,05. En base al desempeño global, se escogió el tamaño de malla de 125x125 para continuar con el proceso de la validación CFD.

 Figura 5. Mallado del modelo CFD inicial para los casos NC, FC y MC

 

Figura 6. Verificación de la malla: a) Temperatura adimensional a lo largo de Y/H=0,5. b) Temperatura adimensional cerca de la pared caliente

 

 Figura 7. Verificación de independencia de la malla: a)Velocidad a lo largo de Y/H=0,5. b) Velocidad cerca de la pared caliente en m/s

 

 

3.1.3 Validación del modelo CFD
La validación CFD se realiza comparando los resultados de la simulación para los cinco modelos de turbulencia y datos experimentales informados en Ampofo y Karayiannis (2003) para temperatura y velocidad de Y/H = 0,5. En general, las Figuras 8a y 9a muestran que todos los modelos de turbulencia evaluados predicen muy bien la distribución de la temperatura y de la velocidad a media altura de la cavidad cuadrada. Los cinco modelos de viscosidad de torbellino de dos ecuaciones son capaces de predecir la enorme variación de la temperatura y de la velocidad cerca de las paredes fría y caliente así como la temperatura y velocidad constante en la sección media de la cavidad.

A pesar del buen comportamiento general de todos los modelos k-ε y k-ω evaluados, su desempeño varía significativamente en la zona cercana a las paredes. La Figura 8b indica que el modelo k-ω estándar predice mejor la variación de la temperatura cerca de la pared caliente, en cambio el modelo k-ω SST presenta la mayor variación con respecto a los resultados experimentales. Por otra parte, la Figura 9b muestra que ambas variaciones del modelo k-ω (estándar y SST) no predicen la variación de la velocidad cerca de las paredes calientes tan bien como los modelos k-ε. Los modelos k-ω SST sobrestiman la velocidad máxima y subestiman la caída de a velocidad en el borde de la capa límite. Los resultados simulados con k-ω SST muestran diferencias de hasta 13,4% con los datos experimentales; la que es la mayor diferencia entre los modelos de viscosidad de torbellino de dos ecuaciones evaluados. Rundle y Lighstone (2007) y Zitzmann et al. (2005) también encontraron limitaciones similares de k-ω SST para predecir la velocidad en la capa de borde. Por otra parte, los modelos k-ε RNG y Realizable muestran un comportamiento excelente al predecir la velocidad del aire cerca de las paredes fría y caliente.

Estos resultados demuestran que la convergencia fue difícil de alcanzar incluso para este caso básico de NC. El problema debió ser modelado como transiente, los factores de relajación y criterio de convergencia para la energía fueron modificados para lograr la convergencia y resultados confiables. La modificación de estos factores no es intuitiva y requiere de un conocimiento especializado.

Además, se encontró que los resultados simulados en la región cercana a las paredes variaban significativamente entre los modelos de turbulencia. Las predicciones precisas de lo que pasa en esa región son muy importantes porque la transferencia de masa y de calor entre las paredes y el aire ocurre en esa zona. Esto podría tener una enorme influencia al predecir las condiciones del aire de la sala (temperatura, velocidad, contenido de humedad, concentración de contaminantes). Este hecho enfatiza la necesidad de que los principiantes en la modelación CFD estén conscientes de la selección del modelo de turbulencia correcto para las condiciones del ambiente interior. Los nuevos usuarios CFD deben adquirir experiencia en la modelación CFD, de lo contrario, el modelo CFD y los resultados podrían no ser confiables.


Figura 8. Desempeño de los modelos de viscocidad de torbellino de dos ecuaciones para NC: a) Temperatura adimensional a lo largo de Y/H=0,5. b) Temperatura adimensional cerca de la pared caliente

 

 Figura 9. Desempeño de los modelos de viscocidad de torbellino de dos ecuaciones para NC: a) Velocidad a lo largo de Y/H=0,5. b) Velocidad cerca de la pared caliente en m/s

 

3.2 Convección forzada (FC)
Debido a que se realizó un proceso similar al caso de NC para crear el modelo CFD inicial y la verificación de la independencia del mallado para el caso FC, esta sección se enfocó en el procedimiento de validación mediante la evaluación de los modelos de turbulencia. La Tabla 3 muestra los principales parámetros CFD establecidos para el modelo k-ε RNG. Se modeló el experimento de Restivo (1979) como 2D y estado estacionario. Como este modelo es isotérmico, el inyector de aire es el factor principal que influye en el patrón de flujo de aire. La Figura 5b muestra una malla estructurada de 40x120 elementos cuadráticos. Se refinó la malla cercana a las paredes y a la entrada de aire para transferir de manera adecuada el flujo de masa y calor desde los bordes hacia el dominio de aire.

 Tabla 3. Parámetros CFD para caso FC

 

 

En este modelo CFD se usaron los mismos factores de relajación usados para el caso NC. A pesar de que el criterio de convergencia para energía fue más estricto que para el caso NC, la convergencia se logró en menos tiempo (650 iteraciones). La Figura 10 muestra la comparación del patrón de flujo de aire para el modelo CFD inicial. Se observó un flujo de aire en el sentido de las agujas del reloj con un fuerte chorro bajo el cielo debido a la entrada de aire. Este resultado concuerda con otros estudios de simulación CFD (Olmedo and Nielsen 2010).

 Figura 10. Patrón de flujo de aire para el modelo CFD inicial para FC

 

 

Se realizó la evaluación de los cinco modelos de turbulencia para velocidad en el plano vertical con X=2 m. En la Figura 11 se aprecian los resultados de cada modelo de turbulencia y los datos experimentales informados por Nielsen (1990). Se puede observar que todos los modelos de turbulencia predicen el patrón de flujo de aire general, un chorro cerca de la pared superior de la cavidad experimental, y un flujo inverso cerca de la pared inferior. En general, las velocidades estimadas por todos los modelos k-ε y k-ω evaluados concuerdan con las velocidades a lo largo de la altura de la cavidad con X=2 m. Sin embargo, se observaron diferencias significativas en las velocidades estimadas por los modelos de turbulencia cerca de las paredes superior e inferior. En esa zona, los modelos k-ε estándar y RNG predicen muy bien el flujo inverso cercano al piso y el chorro cercano al cielo, mostrando el mejor desempeño con diferencias menores al 7% (o 0,009 m/s) con los datos experimentales. Por otra parte, el modelo k-ε Realizable muestra las mayores diferencias, 21,3% o 0,05 m/s.

 Figura 11. Comportamiento de los modelos de viscocidad de torbellino de dos ecuaciones para predecir la temperatura a lo largo de X=2m para casos de FC

 

 

De manera similar a los casos de NC, se encontró una variación significativa de la velocidad del aire simulada cercana al piso entre los modelos de turbulencia evaluados, y el modelo k-ε RNG predice adecuadamente todo el dominio del aire. En contraste con los casos NC, el modelo k-ε Realizable mostró un desempeño pobre al predecir la velocidad del aire. Este resultado deja en evidencia que el desempeño de los modelos de turbulencia podría depender fuertemente de la cantidad estimada y del tipo de convección.

3.3 Convección mixta (MC)
Se modeló el experimento de convección mixta de Blay et al. (1992) mediante la técnica de CFD. Experiencia que ha sido ampliamente usada para validar los nuevos modelos CFD. El flujo de aire es influenciado por fuerzas de inercia debido al suministro de aire y las fuerzas de flotabilidad térmica debido a las diferencias de temperatura en las paredes.

La Figura 5c muestra la malla de 60x60 elementos usada para modelar esta experiencia. La Tabla 4 resume los principales parámetros establecidos para la modelación CFD con el modelo k-ε Realizable. La convergencia se alcanzó a las 350 iteraciones. Sin embargo, se usaron diferentes factores de relajación que permitieran obtener resultados precisos.

 Tabla 4. Parámetros CFD establecidos de casos MC

 

 

La Figura 12 muestra el patrón de flujo obtenido con diferentes modelos de turbulencia y aquellos observados experimentalmente por Blay et al. (1992). Se observó que todos los modelos de turbulencia evaluados predicen bien el patrón de flujo de aire en el sentido del reloj. Sin embargo, los modelos k-ε Realizable y ambos k-ω predicen una gran turbulencia en la esquina superior derecha de la cavidad que no es bien estimada por los modelos k-ε estándar y RNG. Por falta de una mayor cantidad de datos detallados de tipo experimental que muestre esta torbellino, no es posible obtener conclusiones sobre la precisión de los modelos de turbulencia para predecir esta característica especial del flujo de aire.

 Figura 12. Comparación de los patrones de flujo de aire para diferentes modelos y experimentos sobre turbulencia

 

Esta sección trata sobre el proceso de validación y evaluación de los modelos de turbulencia. En este caso, la validación se basa en las mediciones de velocidad y temperatura realizadas a media altura (Y=0,52 m) y en la mitad del ancho (X=0,52) de la cavidad como señala la Figura 1c. Las Figuras 13 y 14 muestran la temperatura y la velocidad a X=0,52 e Y=0,52, respectivamente. En las Figuras 13a y 14a se observa que los modelos k-ω subestimaban significativamente la temperatura en 1°C a media altura y en mitad del ancho de la cavidad. Por otra parte, los resultados de simulación de la temperatura para los modelos k-ε concuerdan bien con los datos experimentales. Entre los modelos k-ε, la variante Realizable muestra un mejor desempeño porque predice de manera precisa la distribución de la temperatura cercana a la capa límite y a lo largo del centro de la cavidad. Las mayores diferencias entre los datos experimentales y simulados para k-ε Realizable son 0,97% y 1,3% con Y=0,52 m y X=0,52 m, respectivamenteLos perfiles de velocidad en X=0,52 m e Y=0,52 m se indican en las Figuras 13b y 14b. Se observa que todos los modelos de turbulencia predicen el patrón general del flujo de aire, pero ocurren grandes discrepancias cerca de las paredes. Las versiones estándar de los modelos k-ε y k-ω predicen mejor las velocidades del aire en las regiones alejadas de las paredes. Además, ambos modelos de turbulencia predicen bien las velocidades del aire cerca de la pared superior a X=0,52 y cerca de la pared derecha a Y=0,52 m. Sin embargo, estos modelos subestiman significativamente el flujo inverso cerca de la parte inferior de la pared en X=0,52 m y la velocidad vertical cerca de la pared izquierda en Y=0,52 donde las diferencias máximas son cercanas a 0,1 m/s. En esas zonas donde ocurren las grandes gradientes de velocidad, el modelo k-ε RNG se desempeña mejor.

En este caso, se pueden observar resultados similares a los de los casos de NC y FC. Sin embargo, el comportamiento de los modelos de turbulencia para predecir la temperatura a través del dominio del aire varía más significativamente. Es notorio que los modelos k-ω subestiman la temperatura no solo cerca de las paredes sino a través del centro de la cavidad.

 Figura 13. Comportamiento del modelo CFD para predecir la temperatura y velocidad del aire en X=0,52m para los casos de MC

 

 

Figura 14. Comportamiento del modelo CFD para predecir la temperatura y velocidad del aire en Y=0,52m para los casos de MC

 

 

4. Discusión y observaciones finales

La modelación CFD no es un proceso intuitivo y requiere tomar decisiones sobre diversos parámetros tales como geometría representativa, tamaño y topología de la malla, criterios de convergencia, factores de relajación, modelo de turbulencia, entre otros. La principal fuente de errores en la modelación CFD es la falta de experiencia del usuario.

El principal objetivo de este trabajo de investigación es proveer información más completa sobre la modelación CFD de los flujos de convección natural, forzada y mixta que les permita a los principiantes adquirir las destrezas y confianza en la modelación CFD. El trabajo ofrece un procedimiento, criterio y juicio ingenieril para evaluar cinco modelos de turbulencia k-ε y k-ω. Se propone la modelación de tres flujos básicos en ambientes cerrados usando modelos de viscosidad de torbellino de dos ecuaciones como ejercicio para adquirir las destrezas en la modelación CFD.

Este artículo señala que para obtener resultados robustos y confiables se requiere habilidades por parte del usuario en la modelación CFD, incluso para los flujos de aire interior básicos estudiados. Las principales conclusiones que pueden extraerse de esta investigación son:
En general, los cinco modelos k-ε y k-ω evaluados presentan un buen comportamiento para predecir la velocidad y temperatura del aire. Sin embargo, su precisión depende del tipo de convección, cantidad estimada y regiones de dominio del aire. Por lo tanto, el uso de los modelos correctos de turbulencia es crucial para obtener resultados confiables. La revisión de la literatura entrega evidencias sobre los modelos de turbulencia que se comportan mejor en los distintos casos. No obstante, los estudios realizados por diferentes autores no siempre concuerdan debido a las particularidades de los casos estudiados y de otros parámetros de modelación CFD que también influyen en los resultados (por ej., tamaño y topología de la malla).

Las condiciones internas predichas para la temperatura y velocidad del aire en la región de la capa límite podrían variar significativamente entre los modelos k-ε y k-ω. Las predicciones precisas sobre lo que ocurre en esa región son muy importantes porque la transferencia de masa y calor entre las paredes y el aire ocurre en esa zona. Esto podría ejercer una gran influencia en las condiciones predichas para el aire de la sala (temperatura, velocidad, contenido de humedad, concentración de contaminantes). Este hecho confirma fuertemente que los nuevos usuarios de la modelación CFD necesitan adquirir habilidades de modelación CDF incluso para los flujos de convección básicos revisados en este estudio.

La convergencia no puede darse por sentada, en especial en los casos de convección natural. Es necesario establecer pasos de tiempo y factores de relajación, lo que implica el conocimiento avanzado y la experiencia del modelador CFD aún en los problemas básicos de ambientales cerrados.

Los casos básicos de convección estudiados en este trabajo de investigación constituyen buenos ejercicios para lograr las habilidades necesarias en la modelación CFD de ambientes cerrados. Este estudio entrega la información y los juicios ingenieriles que permiten a los nuevos usuarios CFD modelar de manera adecuada estos casos y obtener resultados robustos y confiables.

 

5. Agradecimientos

Este trabajo de investigación contó con el financiamiento de la Comisión Nacional de Investigación Científica y Tecnológica (Conicyt) de Chile bajo el proyecto Fondecyt 11100120 y fue apoyado por el proyecto CONICYT/FONDAP 15110020.

 


6. Referencias

AIAA (1998), Guide for the Verification and Validation of Computational Fluid Dynamics Simulations. American Insitute of Aeronautics and Astronautics.

ANSYS (2012), Ansys FLUENT Theory Guide: Release 14.0. ANSYS, Inc.

Ampofo F. and Karayiannis T. (2003), Experimental benchmark data for turbulent natural convection in an air filled square cavity. International Journal of Heat and Mass Transfer , 3551-3572. doi: http://dx.doi.org/10.1016/S0017-9310(03)00147-9.

Blay D., Mergui S. and Niculae C. (1992), Confined turbulent mixed convection in the presence of a horizontal buoyant wall jet. In Fundamentals of Mixed Convection, ASME HTD 213.

Cao G., Ruponen M., Paavilainen R. and Kurnitski J. (2011), Modelling and simulation of the near-wall velocity of a turbulent ceiling attached plane jet after its impingement with the corner. Building and Environment, 46 (2), 489-500. doi: http://dx.doi.org/10.1016/j.buildenv.2010.08.012.


Casey M. and Wintergeste T. (2000), ERCOFTAC Special Interest Group on Quality and Trust in Industrial CFD - Best Practice Guidelines.
Chen Q. and Xu W. (1998), A zero-equation turbulence model for indoor airflow simulation. Energy and Buildings, 28(2), 137-144. http://dx.doi.org/10.1016/S0378-7788(98)00020-6

Chen Q. and Srebric J. (2001), How to Verify, Validate and Report Indoor Environment Modeling CFD Analyses. Atlanta: ASHRAE .

Choi S. K. and Kim S. O. (2012), Turbulence modeling of natural convection in enclosures: A review. Journal of Mechanical Science and Technology , 283-297. doi: 10.1007/s12206-011-1037-0.

Choi S.-K., Kim E.-K., Wi M.-H. and Kim S.-O. (2004), Computation of a turbulent natural convection in a rectangular cavity with the low-reynolds-number differential stress and flux model. KSME International Journal , 18, 1782-1798. doi: 10.1007/bf02984327

Hajdukiewicz M., Geron M., and Keane M. M. (2013), Formal calibration methodology for CFD models of naturally ventilated indoor environments. Building and Environment , 56, 290-302. doi: http://dx.doi.org/10.1016/j.buildenv.2012.08.027.

Klobut K. and Sirén K. (1994), Air flows measured in large openings in a horizontal partition. Building and Environment , 29 (3), 325-335.

Launder B. and Spalding D. (1974), The numerical computation of turbulent flows. Computer Methods in Applied Mechanics and Energy, 3, 269-289. http://dx.doi.org/10.1016/0045-7825(74)90029-2

Menter F. (1994), Two-equation eddy-viscosity turbulence models for engineering applications. AIAA Journal , 32, 1598-1605. doi: 10.2514/3.12149.

Moureh J. and Flick D. (2003), Wall air-jet characteristics and airflow patterns within a slot ventilated enclosure. International Journal of Thermal Sciences, 42, 703-711. http://dx.doi.org/10.1016/S1290-0729(03)00037-1.

Nielsen P. V. (1974), Flow in air conditioned room. Copenhagen.: Technical University of Denmark.

Nielsen P. V. (1990), Specification of a two-diemnsional test-case. Department of Building Technology and Structural Engineering, Aalborg University, Denmark.

Oberkampf W. L. and Trucano. T. G. (2002), Verification and validation in computational fluid dynamics. Progress in Aerospace Sciences , 38 (3), 209-272. doi: http://dx.doi.org/10.1016/S0376-0421(02)00005-2.

Olmedo I. and Nielsen P.V. (2010), Analysis of the IEA 2D test. 2D, 3D, steady or unsteady airflow? Department of Civil Engineering, Aalborg University (DCE Technical Reports; No.106).

Omri M. and Galanis N. (2007), Numerical analysis of turbulent buoyant flows in enclosures: Influence of grid and boundary conditions. International Journal of Thermal Science, 46(8), 727-738. doi: http://dx.doi.org/10.1016/j.ijthermalsci.2006.10.006.

Posner J. D., Buchanan C. R. and Dunn-Rankin D. (2003), Measurement and prediction of indoor air flow in a model room. Energy and Buildings , 35, 515-526. doi: http://dx.doi.org/10.1016/S0378-7788(02)00163-9.

Restivo A. (1979), Turbulent Flow in Ventilated Room. London: Ph.D. Thesis, University of London.

Rohdin P. and Moshfegh B. (2011), Numerical modelling of industrial indoor environments: A comparison between different turbulence models and supply systems supported by field measurements. Building and Environment, 46, 2365-2374.doi: http://dx.doi.org/10.1016/j.buildenv.2011.05.019

Rundle C. A. and Lighstone M. F. (2007), Validation of turbulent natural convection in square cavity for application of CFD modelling to heat transfer and fluid flow in atria geometries. 2nd Canadian Solar Building Conference. Calgary, Canada.

Rundle C., Lightstone M., Oosthuizen P., Karava P. and Mouriki E. (2011), Validation of computational fluid dynamics simulations for atria geometries. Building and Environment , 1943-1353. doi: http://dx.doi.org/10.1016/j.buildenv.2010.12.019.

Shih T., Liou W., Shabbir A., Yang Z. and Zhu J. (1995), A new k-_ eddy viscosity model for high reynolds number turbulent flows. Computers & Fluids , 24, 227-238. doi: http://dx.doi.org/10.1016/0045-7930(94)00032-T.

Shur M., Spalart P., Strelets M. and Travin A. (1999), Detached-eddy simulation of an airfoil at high angle of attack. Engineering turbulence modelling and experiments -4. Proceedings of the 4th International Symposium on Engineering Turbulence Modeling and Experiments, 669-678.

Stamou A., and Katsiris I. (2006), Verification of a CFD model for indoor airflow and heat transfer. Building and Environment , 41, 1171-1181. doi: http://dx.doi.org/10.1016/j.buildenv.2005.06.029.

Susin R. M., Lindner G. A., Mariani V. C. and Mendonça K. C. (2009), Evaluating the influence of the width of inlet slot on the prediction of indoor airflow: Comparison with experimental data. Building and Environment, 44, 971-986. doi: http://dx.doi.org/10.1016/j.buildenv.2008.06.021.

Vera S., Fazio P. and Rao J. (2010), Interzonal air and moisture transport through large horizontal openings in a full-scale two-story test-hut: Part 2 - CFD study. Building and Environment , 45 (3), 622-631. doi: 10.1016/j.buildenv.2009.07.021.

Voigt L. K. (2000), Comparison of Turbulence Models for Numerical Calculation of Airflow in an annex 20 Room. . International Centre for Indoor Environment and Energy.Department of Energy Engineering.Technical University of Denmark.

Wilcox D. (1988), Reassessment of the scale-determining equation for advanced turbulence models. AIAA Journal , 26, 1299-1310. doi: 10.2514/3.10041.

Yakhot V. and Orszag S. (1986), Renormalization group analysis of turbulence. Journal of Scientific , 1, 3-51.

Zhai Z., Zhang Z., Zhang W. and Chen Q. (2007), Evaluation of Various Turbulence Models in Predicting Airflow and Turbulence in Enclosed Environments by CFD: Part 1- Summary of Prevalent Turbulence Models. HVAC&R RESEARCH , 853-870. doi: 10.1080/10789669.2007.10391459

Zhang Z., Zhang W., Zhai Z. J. and Chen Q. Y. (2007), Evaluation of Various Turbulence Models in Predicting Airflow and Turbulence in Enclosed Environments by CFD: Part 2-Comparison with Experimental Data from Literature. HVAC and R Research , 13 (6), 871-886. doi: 10.1080/10789669.2007.10391460.

Zitzmann T. and Cook M. P. (2005), Simulation fo steady-state natural convection using CFD. Building Simulation. Montréal, Canada.


E-mail: svera@ing.puc.cl

Fecha de Recepción: 22/01/2014 Fecha de Aceptación: 04/03/2014

Refbacks

  • There are currently no refbacks.


Copyright (c)