Modélisation phénoménologique de pulvérisation de sprays couplée à une approche LES pour la phase gazeuse. - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2007

Modélisation phénoménologique de pulvérisation de sprays couplée à une approche LES pour la phase gazeuse.

Résumé

Atomization of liquid is a very important mechanism for prediction of combustion in rocket or diesel engines. The subject of this study is to work on this kind of process. The aim is to develop models to describe physical phenomena involved in gas-assisted atomization. In this configuration, lots of parameters may be involved in liquid fragmentation like initial velocity of liquid or gas phase, density of each phase or surface tension for example ... This phenomenon is thus complex and exact resolution of each fragmentation process is very difficult. In this work, a stochastic approach is developed in order to model the several steps of gas-assisted atomization. This allows describing the primary atomization process and the statistics of non fragmented liquid near the injector. These statistics act as a map of fragmented liquid, and allow forming and following liquid fragments in the gas flow. This entails a description of the whole spray. The gas motion is solved with a Large Eddy Simulation approach, which account for the turbulence in the gas and instationnarity. This permits a Lagrangian transport of fragments formed during the primary phase of atomization. Collisions and resulting fragmentations or coalescences are also modelled by a stochastic approach, which accounts for the secondary step of atomization. All these different part allow then simulation of gas-assisted (and especially air-assisted in this study) atomization and computation of the liquid core intact length, of the spray angle, of the Sauter-mean Diameter and finally comparison of these results to experimental data.
La pulvérisation du liquide est un mécanisme très important lors de la combustion dans les moteurs de fusée et de type diesel. C'est dans ce cadre que s'inscrivent les travaux réalisés dans cette thèse. L'objectif est de modéliser les mécanismes physiques qui pilotent l'atomisation assistée par air. Dans cette configuration, de nombreux paramètres peuvent influer sur la fragmentation du liquide tels que les vitesses initiales du liquide ou du gaz, les masses volumiques des deux phases ou la tension de surface par exemple ... Ce phénomène est donc particulièrement complexe et la résolution exacte de chaque fragmentation est très difficile. Dans ce travail, une approche stochastique est proposée afin de modéliser les différentes étapes d'atomisation assistée par air. Celle-ci permet de décrire la phase d'atomisation primaire et les statistiques du liquide non fragmenté au voisinage de l'injecteur. A partir de ces résultats, des fragments liquides sont formés et transportés dans l'écoulement de façon à décrire l'intégralité du spray. Le mouvement de la phase gazeuse est résolu par simulation des grandes échelles. Le caractère turbulent et instationnaire de l'écoulement est ainsi pris en compte, ce qui permet le suivi lagrangien des éléments liquides issus de la phase d'atomisation primaire. Leurs collisions ainsi que les fragmentations ou coalescences qui en résultent sont également modélisés par l'intermédiaire d'une approche stochastique. Ces différentes étapes permettent de simuler l'atomisation assistée par air et de déterminer la longueur du cœur liquide, l'angle du spray, le diamètre de Sauter moyen et de comparer ces résultats à des données expérimentales.
Fichier principal
Vignette du fichier
these_julien_jouanguy.pdf (4.67 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00380980 , version 1 (04-05-2009)

Identifiants

  • HAL Id : tel-00380980 , version 1

Citer

Julien Jouanguy. Modélisation phénoménologique de pulvérisation de sprays couplée à une approche LES pour la phase gazeuse.. Physique [physics]. Université de Rouen, 2007. Français. ⟨NNT : ⟩. ⟨tel-00380980⟩
266 Consultations
510 Téléchargements

Partager

Gmail Facebook X LinkedIn More