Effect of Surface Roughness on Aircraft Stall

Résumé Les simulations numériques sont largement utilisées dans l'analyse et la conception d'avions pour prédire des phénomènes complexes et réduire la nécessité de tests physiques. Cependant, certains comportements physiques demeurent difficiles à prédire avec suffisamment de précision, tels que la rugosité qui se développe sur la surface des ailes d'avions lorsque des contaminants comme la glace, la saleté ou les insectes morts s'y accumulent. Cette augmentation de la rugosité peut avoir un impact négatif sur les performances aérodynamiques, affectant la certification de l'avion et la sécurité des passagers. L'objectif principal de cette recherche est de modéliser la rugosité de surface dans un logiciel RANS maison appelé CHAMPS afin de valider ses effets sur la turbulence, la traînée et les caractéristiques de décrochage. Pour ce faire, il est nécessaire de modéliser en premier les effets de la turbulence et de la transition pour servir comme base à l'implémentation du modèle de rugosité. La première partie présente une revue de la littérature, discutant des méthodes alternatives, en se concentrant sur les modèles Reynold-Average Navier-Stokes. La seconde partie présente la méthodologie, expliquant les stratégies utilisées pour l'implémentation des modèles de turbulence, de transition et de rugosité. Pour simuler la turbulence, les équations des modèles de turbulence k-ω SST et Spalart-Allmaras sont intégrées dans CHAMPS en utilisant la méthode des volumes finis. Ensuite, les effets de transition sont ajoutés en utilisant une approche de modèle de transition basée sur des corrélations locales (LCTM) en implémentant le modèle γ-R ̃e_(θ_c ) qui est ensuite couplé à chacun des modèles de turbulence. Ils sont désignés comme les modèles kω-γ-R ̃e_(θ_c ) et SA-γ-R ̃e_(θ_c ). Des variantes des corrélations F_length et Re_(θ_c ) sont implémentées pour éliminer les discontinuités créées par les fonctions min et max. De plus, une investigation est menée pour tester le potentiel d'étalonnage de certaines constantes de la corrélation F_onset montrant que l'augmentation de la valeur de deux constantes peut décaler la transition vers l'aval. Pour le modèle SA-γ-R ̃e_(θ_c ), l'intensité de la turbulence est supposée constante, et la correction de séparation induite est désactivée, car elle n'est nécessaire que pour le modèle kω-γ-R ̃e_(θ_c ). Une extension est ajoutée aux modèles pour inclure la transition induite par un écoulement transversal, observé sur les géométries 3D. Enfin, les effets de rugosité sont implémentés en utilisant un modèle d'amplification de la rugosité, ce qui nécessite la modification de la condition limite de surface afin d'inclure la rugosité et nécessite l'ajout d'une équation de transport supplémentaire pour influencer la transition. Des conditions limites de surface rugueuses différentes sont utilisées pour les deux modèles, et une modification a été implémentée pour inclure une rugosité au bord d'attaque. La troisième partie se concentre sur les résultats de la transition. Tout d'abord, les modèles kω-γ-R ̃e_(θ_c ) et SA-γ-R ̃e_(θ_c ) sont comparés et validés sur des cas de plaques plates et de profils d'aile en comparant les prédictions de l'emplacement de la transition avec les données expérimentales de la littérature. La prédiction de l'emplacement de la transition à différents angles d'attaque est validée pour trois mécanismes de transition : transition naturelle, transition induite par séparation et transition de contournement. Bien que les emplacements de transition soient bien prédits pour les deux modèles en général, la transition naturelle présente moins de précision et est plus sensible à la résolution du maillage.

Abstract

Abstract Numerical simulations are widely used in the analysis and design of aircraft to predict complex phenomena and reduce the need for physical testing. However, some physical behaviors remain difficult to predict with sufficient accuracy, such as the roughness that develops on the surface of aircraft wings when contaminants like ice, dirt of dead bugs accumulate. This increase roughness can have negative impact on the aerodynamic performance, affecting the certification of the aircraft and the safety of all passengers. The main objective of this research is to model the surface roughness in an in-house RANS software named CHAMPS in order to validate its effects on the turbulence, drag and stall characteristics. To do so, the turbulence and transition from laminar to turbulent flow effects must be modelled to serve as a foundation for the roughness implementation. The first part presents a literature review, discussing alternative methods, focusing on the Reynold-Average Navier-Stokes models. The second part presents the methodology, explaining the strategies used for the implementation of the turbulence, transition and roughness models. To simulate the turbulence, the k-ω SST and Spalart-Allmaras turbulence models equations are incorporated into CHAMPS using the Finite Volume Method. Next, the transition effects are added using a Local Correlation-Based Transition Model (LCTM) approach by implementing the γ-R ̃e_(θ_c ) model which is coupled with each turbulence model. They are referred to as the kω-γ-R ̃e_(θ_c ) and SA-γ-R ̃e_(θ_c ) models. Smooth variants of the F_lengh and Re_(θ_c ) correlations are implemented to eliminate discontinuities created by min and max functions. Additionally, an investigation is conducted to test the calibration potential of some constants of the F_onset correlation, showing that increasing the value of two of the constants can push the transition downstream. For the SA-γ-R ̃e_(θ_c ) model, a constant turbulent intensity is assumed, and the separation-induced correction is disabled since it is only needed with the kω-γ-R ̃e_(θ_c ) model. A crossflow extension is added to the models to account for crossflow-induced transition seen on 3D bodies. Finally, the roughness effects are implemented using a roughness amplification model, which required the modification of the wall boundary condition to include roughness and adds an extra transport equation to influence the transition. Different rough wall boundary conditions are used for both models, and a modification was implemented to account for leading edge roughness. The third part focuses on the transition results. First, the kω-γ-R ̃e_(θ_c ) and SA-γ-R ̃e_(θ_c ) models are compared and validated on flat plate and airfoil cases by comparing the transition location predictions with experimental data from the literature. The transition location prediction at different angles of attack is validated for three transition mechanisms: natural transition, separation-induced transition, and bypass transition. While the transition locations are well predicted for both models in general, the natural transition exhibits less accuracy and is more sensitive to mesh resolution. An investigation is conducted to determine the cause of the early natural transition seen with the SA-γ-R ̃e_(θ_c ) model and shows that the improper calibration of the effect of the viscosity ratio is what causes the offset. The proposed solution is to calibrate a constant of the F_onset equation which improved the results of natural transition. For the results of the crossflow-induced transition, two 3D cases are used for validation: the inclined prolate spheroid and the sickle wing. For the spheroid, the prediction of the transition matches well with the experimental data, particularly for the kω-γ-R ̃e_(θ_c ) model. For the sickle wing, two different mesh topologies are used in the comparison of the models.