thèse - coria
Transcription
thèse - coria
THÈSE Présentée à la FACULTÉ DES SCIENCES DE L’UNIVERSITÉ DE ROUEN En vue de l’obtention du DOCTORAT DE L’UNIVERSITÉ DE ROUEN Discipline Spécialité : Sciences pour l’ingénieur : Mécanique des fluides par François TROADEC Simulation numérique directe d’un écoulement supercritique pour validation des approches RANS et LES Soutenue le 9 novembre 2010 devant le jury d’examen : Rapporteurs : Pierre Haldenwang Arnaud Mura Professeur des Universités, M2P2–Marseille, Chargé de Recherche, CNRS, Pprime–Poitiers. Examinateurs : Yves D’Angelo Carlos Cruz Julien Réveillon François-Xavier Demoulin Professeur, INSA–Rouen. Ingénieur, SNECMA Division Moteurs Spatiaux–Vernon. Professeur des Universités, CORIA–Rouen. Ma^ıtre de conférence, CORIA–Rouen. Invitée : Marie Théron Ingénieure, CNES Direction des Lanceurs–Évry. Remerciments Ce travail de thèse s’étant déroulé au laboratoire CORIA de Rouen, je tiens tout d’abord à remercier les deux directeurs successifs, M. Michel Ledoux et M. Mourad Abdelkrim Boukhalfa pour leur accueil au sein de leur établissement et pour la bonne humeur qu’ils ont su y faire régner. Je remercie ensuite le CNES et la SNECMA qui ont permis la réalisation de cette thèse en finançant ces travaux de recherche, ainsi de Marie Théron, Lionel Cariès et Carlos Cruz pour leur temps consacré au suivi des travaux. J’exprime ma sincère reconnaissance à mes rapporteurs, M. Pierre Haldenwang et M. Arnaud Mura, pour l’intér^et qu’ils ont porté à mon travail et plus largement à tous les membres du jury dont M. Yves D’Angélo. Je remercie grandement FX et Julien pour la confiance et le temps que vous m’avez accordée et pour m’avoir permis de réaliser cette thèse dans les meilleurs conditions. Vos compétences m’ont permis d’apprendre énormément tant d’un point de vue scientifique que numérique mais aussi d’un point de vue humain dans les moments de doutes. C’est en partie gr^ace à vous que j’ai pu mener à terme cette thèse. Enfin, un grand merci à toi FX pour tes idées, remarques et conseils prodigués dans ton bureau ou au cours des nombreuses réunions. Je venais te voir avec une question pour repartir avec des dizaines et à chaque fois tes conseils se sont révélés payants. Merci encore. Julien, j’ai appris énormément avec toi d’un point de vu numérique. Ta façon de coder et l’utilisation de ton code de calcul Asphodèle ont influencé ma façon de travailler. Je voudrais ensuite remercier les copains avec qui j’ai partagé de très bon moments en commençant par Jéjé. Ça fait maintenant quelques années qu’on se connait, depuis un certain concours national DEUG. Et gr^ace à toi, j’ai appris énormément (numérique, voiture etc) et partagé tant de discussions sur tout et n’importe quoi. Ensuite, je voudrais remercier Guigui pour tout ce qu’on a partagé surtout ces deux dernières années ; dommage que tu n’étais pas "libre" avant. Merci aussi d’avoir mis à disposition ton appart lorsque je devais rester sur Rouen, ... ou pas. 4 Viens ensuite Bruno avec qui on a eu pas mal de discussions engagées. Merci de m’avoir converti au Canard que j’essaie de lire de temps en temps. Mais aussi pour les soirées poker et foot (dont une certaine finale de ligue des champions) qu’on a passé ensemble. Je voudrais aussi remercier Hicham pour le soleil que tu as apporté dans le bureau avec ton sourire. Dommage qu’il soit reparti avec toi. Enfin, merci à tous les nouveaux et anciens doctorants et post-docs avec qui j’ai partagé des bon moments : Yann, Gautier, Tibo, Arnaud, Nicof, les Mathieu, Olivier, MeuhMeuh, Caro, Zakaria, "Jo" et les autres qui se reconnaitront. Je vous aussi remercier Guillaume Ribert pour avoir partagé tes connaissances dans le domaine du supercritique et également pour le séjour à PennState qui n’aurait pas été le m^eme sans toi. Cela restera un moment fort de la thèse. D’ailleurs l’Amérique te remercie d’avoir participé au sauvetage de leur industrie automobile. Un grand merci au personnel du laboratoire dans son ensemble. Je ne pourrais pas citer tout le monde mais en particulier Guillaume Édouard et à travers toi tout le service info pour sa réactivité. Arnaud Bultel (dit Bubu) pour tes conseils en thermo et la rigueur scientifique que tu as su m’inculquer lors des heures de cours et des séances. Mesdames Brument et Auzou pour leur accueil au quotidien. Et enfin les gars de l’atelier, toujours pr^ets à rendre service. Je voudrais remercier ma famille et tout particulièrement mes parents qui m’ont permis de suivre mes études par leur soutien moral et financier. Ma belle famille qui m’a également soutenu durant toutes ces années. Je souhaitais terminer par la personne la plus importante : ma Femme Cécile. Je te remercierai jamais assez pour ton soutien et ta patience tout au long de ces années. Merci de m’avoir poussé quand j’en avais le plus besoin, supporté quand je faisais les aller-retours et épousé quand je te l’ai demandé. Tu m’as ensuite donné une petite ange(le) qui a été le plus beau cadeau. Je t’aime plus que tout et je te dédie cette thèse. Merci du fond du cœur. Table des matières Nomenclature 8 Introduction 13 1 17 17 22 22 23 25 26 2 La simulation numérique appliquée aux moteurs de fusée 1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 La résolution des équations de transport . . . . . . . . . . . . . . . . . . . . . 1.2.1 Le Formalisme RANS . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.2 La simulation aux grandes échelles (LES) . . . . . . . . . . . . . . . . 1.2.3 La simulation numérique directe (DNS) . . . . . . . . . . . . . . . . . 1.3 Présentation de plusieurs codes de simulation supercritiques . . . . . . . . . . 1.3.1 Le projet Constellation : comparaison de résultats issus de codes de simulation RANS, URANS et LES . . . . . . . . . . . . . . . . . . . 1.3.2 Présentation des travaux de Schmitt et al . . . . . . . . . . . . . . . . 1.3.3 Modélisation de la combustion supercritique en approche RANS (Demoulin et Mura) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.4 Simulation numérique directe supercritique de Bellan et al . . . . . . . 1.4 Simulation numérique et détermination du champ de pression . . . . . . . . . . 1.4.1 Des schémas de résolution basés sur la densité ou la pression . . . . . . 1.4.2 Détails de quelques méthodes utilisant l’approximation à faible nombre de Mach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modélisation des grandeurs thermo-physiques d’un élevée 2.1 Modélisation des grandeurs thermodynamiques . 2.1.1 La densité et les équations d’état . . . . . 2.1.2 Enthalpie molaire . . . . . . . . . . . . . 2.1.3 Capacités calorifiques . . . . . . . . . . 2.1.4 Vitesse du son . . . . . . . . . . . . . . 2.1.5 Le mélange binaire . . . . . . . . . . . . 2.2 L’équilibre liquide-vapeur d’un mélange binaire . 26 30 32 34 37 38 43 fluide soumis à une pression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 47 47 54 60 62 63 65 6 TABLE DES MATIÈRES 2.3 3 4 2.2.1 La règle de phase de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Démonstration de l’équilibre liquide-vapeur . . . . . . . . . . . . . . . 2.2.3 Résolution de l’algorithme pour déterminer équilibre liquide-vapeur . . 2.2.4 Résultats et interprétation . . . . . . . . . . . . . . . . . . . . . . . . Modélisation des propriétés de transport . . . . . . . . . . . . . . . . . . . . . 2.3.1 La viscosité et la conductivité thermique d’un mélange à haute pression 2.3.2 Le coefficient de diffusion pour les espèces . . . . . . . . . . . . . . . Asphodèle : un code de simulation numérique directe supercritique 3.1 Présentation du code Asphodèle . . . . . . . . . . . . . . . . . . 3.1.1 Un code à structure modulaire . . . . . . . . . . . . . . . 3.1.2 Les équations de transport résolues . . . . . . . . . . . . 3.2 Un code adapté pour les hautes pressions . . . . . . . . . . . . . . 3.2.1 Détermination du champ de pression . . . . . . . . . . . . 3.2.2 Détermination du champ de température . . . . . . . . . . 3.2.3 Détermination de la densité . . . . . . . . . . . . . . . . 3.3 Étude d’une couche de mélange supercritique . . . . . . . . . . . 3.3.1 Les couches de mélange dans la littérature . . . . . . . . . 3.3.2 Couche de mélange temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Simulation de la déstabilisation d’un jet en condition supercritique 4.1 Validation de la version supercritique du code Asphodèle . . . . . . . . . . . . 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques . . . . . . 4.2.1 Sensibilité du code au rapport de densité . . . . . . . . . . . . . . . . . 4.2.2 Sensibilité du code aux effets de gaz réels . . . . . . . . . . . . . . . . 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement . . . . . . 4.4 Nombre de Lewis du mélange O2 /H2 . . . . . . . . . . . . . . . . . . . . . . . 4.4.1 Origine de l’apparition du pic de densité . . . . . . . . . . . . . . . . . 4.4.2 Effets des modèles utilisés pour calculer les coefficients de transport . . 4.4.3 Effets de la température . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.4 Effets de la pression . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.4.5 R^ole des espèces choisies : cas du mélange O2 /N2 . . . . . . . . . . . . 4.4.6 Bilan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5 Études préliminaires portant sur la validation des approches LES et RANS . . . 4.5.1 Effet du filtrage pour la simulation aux grandes échelles sur l’équation d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.5.2 Couplage de la méthode RANS et des pdf présumées . . . . . . . . . . Conclusion et perspectives 65 65 69 70 73 74 77 83 84 84 85 88 88 89 92 95 95 98 103 104 113 113 116 122 134 134 137 139 140 141 142 144 144 151 157 TABLE DES MATIÈRES 7 A Quelques définitions de thermodynamique A.1 Équilibre thermodynamique . . . . . . . . . . A.2 Fonctions d’état . . . . . . . . . . . . . . . . . A.3 Énergie interne . . . . . . . . . . . . . . . . . A.4 Enthalpie . . . . . . . . . . . . . . . . . . . . A.5 Entropie . . . . . . . . . . . . . . . . . . . . . A.6 Enthalpie libre . . . . . . . . . . . . . . . . . . A.7 Énergie sous forme de chaleur . . . . . . . . . A.7.1 Chaleur sensible . . . . . . . . . . . . A.7.2 Chaleur latente de changement de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 163 163 163 164 164 164 165 165 165 B Calcul des propriétés physiques B.1 Calcul de la viscosité . . . . . . . . . . B.2 Calcul de la conductivité thermique . . B.2.1 Méthode de Chung et al . . . . B.2.2 Méthode de Ely et Hanley . . . B.3 Calcul du coefficient de diffusion binaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 167 170 170 171 176 . . . . . . . . . . . . . . . . . . . . C Dérivées de l’équation de Peng-Robinson et valeurs critiques croisées 179 C.1 Dérivées de l’équation d’état utilisées pour la thermodynamique des gaz réels . 179 C.2 Valeurs critiques croisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180 D Détails de trois méthodes Low Mach 181 D.1 Méthode proposée par Pierce [70] . . . . . . . . . . . . . . . . . . . . . . . . 181 D.2 Méthode proposée par Nicoud [59] . . . . . . . . . . . . . . . . . . . . . . . . 182 D.3 Méthode utilisée par Benteboula [10] . . . . . . . . . . . . . . . . . . . . . . . 184 E Adimensionnement des équations de transport E.1 Conservation de la masse . . . . . . . . . . E.2 Moments . . . . . . . . . . . . . . . . . . E.3 Énergie totale . . . . . . . . . . . . . . . . E.4 Enthalpie . . . . . . . . . . . . . . . . . . E.5 Fraction massique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187 187 188 188 189 189 Nomenclature Caractères Latins V Variance d’un système Z Fraction de mélange A Paramètre de l’équation cubique a Pression interne B Paramètre de l’équation cubique b Co-volume c Paramètre des équations d’état à trois paramètres critiques Cp Capacité thermique à pression constante cp Capacité thermique molaire à pression constante Cv Capacité thermique à volume constant cv Capacité thermique molaire à volume constant D Coefficient de diffusion dG Variation infinitésimale d’enthalpie libre dh Variation infinitésimale d’enthalpie dP Variation infinitésimale de pression dT Variation infinitésimale de température du Variation infinitésimale d’énergie interne dv Variation infinitésimale de volume dx Taille de la maille dans la direction x dy Taille de la maille dans la direction y f Fugacité Nomenclature G Enthalpie libre H Enthalpie h Enthalpie molaire k Coefficient d’interaction binaire Le Nombre de Lewis M Masse molaire Ma Nombre de Mach n Nombre de moles ne Nombre d’espèces np Nombre de phases P Pression Pr Nombre de Prandtl Q Énergie sous forme de chaleur R Constante des gaz parfaits RZ Rapport des coefficients de compressibilité Rρ Rapport des densités Re Nombre de Reynolds S Entropie Sc Nombre de Schmidt T Température t Temps U Vitesse U Énergie interne u Paramètre des équations d’état cubiques V Volume v Volume molaire W Énergie sous forme de travail w Paramètre des équations d’état cubiques 9 10 Nomenclature X Fraction molaire x Coordonnée spatiale Y Fraction massique y Coordonnée spatiale Z Coefficient de compressibilité Caractères Grecs αµ Coefficient calorimétrique αD Coefficient d’expansion thermique αh Coefficient calorimétrique αl Coefficient calorimétrique χs Coefficient de compressibilité isentropique χT Coefficient de compressibilité isotherme χv Coefficient de dilatation ∆ Variation macroscopique δ Épaisseur initiale de la couche de mélange ω̇ Terme source Incertitude γ Exposant isentropique λ Conductivité thermique µ Viscosité dynamique ν Viscosité cinématique ω Facteur acentrique de Pitzer Φ Coefficient de fugacité ρ Densité Σv Volume de diffusion σij Tenseur des contraintes de Reynolds Indices courants ∗ Grandeur normalisée Nomenclature + Coefficient de transport normalisé n Relatif à l’instant n 0 Relatif à l’état de référence ∞ Relatif aux grandeurs de référence SGS Relatif au terme de sous-maille c Grandeur critiques i Relatif à l’espèce i j Relatif à l’espèce j l Relatif à la phase liquide m Relatif au mélange r Grandeur relative T Modèle turbulent v Relatif à la phase vapeur 11 Acronymes CNES Centre National d’Etudes Spatiales CORIA COmplexe de Recherche Interprofessionnel en Aérothermochimie DNS Direct Numerical Simulation LES Large Eddy Simulation NASA National Aeronautics and Space Administration NIST National Institut of Standard and Technology RANS Reynolds-Average Navier-Stokes SNECMA Société Nationale d’Etude et de Construction de Moteurs d’Aviation Opérateurs ˇ (•) Résultats issu de l’équation d’état avec les variables filtrées (•) Opération de filtrage 12 Nomenclature Introduction Générale À la fin des années 80, le marché de l’envoi des satellites est en pleine mutation gr^ace au développement des télécommunications. Il faut alors envoyer en orbite autour de la Terre des satellites de plus en en plus gros en utilisant des lanceurs de plus en plus puissants. Ainsi, dans l’optique de suivre et de s’adapter au marché des lanceurs, l’agence spatiale européenne (ESA) a décidé en 1987 de se doter d’un nouveau lanceur en remplacement d’Ariane 4. L’Europe voulait un lanceur capable d’envoyer d’avantage de charges utiles et, au lancement du projet, de pouvoir envoyer des hommes dans l’espace et devenir indépendante. C’est pourquoi, ce programme a été mis en place pour répondre au mieux aux besoins des clients (scientifiques, militaires, industriels) tout en réduisant les co^uts et en gagnant en fiabilité. Ainsi est né le lanceur Ariane 5. Diverses versions du lanceur ont alors été développées pour s’adapter à des satellites dont la taille et le poids n’ont cessé de cro^ıtre sans oublier que le besoin de petits satellites, placés en orbite basse, a augmenté également. Pour réussir à envoyer une gamme aussi large de satellites, ce lanceur a été conçu en deux parties principales. La partie haute du lanceur est celle qui contient la charge utile à satelliser et qui varie en fonction de l’orbite à atteindre et du nombre de satellites à envoyer (jusqu’à huit micro-satellites). Les différentes versions du troisième étage sont présentées sur l’image de gauche de la figure 1. Il est le seul étage à ne pas ^etre allumé au décollage mais seulement en dehors de l’atmosphère. La partie basse du lanceur sert à envoyer la charge en orbite en arrivant à vaincre la pesanteur. Elle comprend deux Étages d’Accélération à Poudre (EAP) qui délivrent à eux deux 90 % de la poussée totale du lanceur au décollage. Ce sont les deux cylindres sur le c^oté de la fusée dont la durée de fonctionnement est d’environ deux minutes et à 60 kilomètres d’altitude, les EAP sont largués au dessus de l’Atlantique. Puis l’Étage Principal Cryotechnique (EPC) prend le relais et assure seul la propulsion du lanceur durant la deuxième phase de vol, soit une dizaine de minutes. De son bon fonctionnement dépend la réussite d’un lancement et de la mise en orbite du satellite. Pour gagner en fiabilité et améliorer encore ces performances, de nombreuses études sont menées sur les différentes parties du lanceur et du moteur. Actuellement en service, le moteur Vulcain 2 est déjà une version améliorée du moteur Vulcain avec un gain de 20 % en terme de puissance ce qui permet une augmentation de la charge utile en orbite de transfert géostationnaire de 1150 kg par rapport à l’ancienne version. Ce moteur est de type cryotechnique, il fonctionne en faisant réagir un mélange de carburants liquides, oxygène et hydrogène, appelés 14 Introduction Différentes versions du lanceur Ariane 5. Le moteur Vulcain 2 lors d’un test sur banc d’essais (Crédits : EADS / D. Ducros) (Crédits : SNECMA) F IG . 1 – Présentation de différentes parties du lanceur Ariane 5. ergols. Le choix de ce couple pour la propulsion est dicté par les lois de l’hydrodynamique. La poussée élevée (1340 kN pour le moteur Vulcain 2) est créée par l’expansion et l’éjection à grande vitesse (jusqu’à 4000 m/s) de la vapeur d’eau produite par la combustion des ergols (plus l’hydrogène en excès). Deux turbopompes aspirent l’oxygène et l’hydrogène qui sont stockés sous forme liquide dans les réservoirs pour gagner de la place. Elles envoient les ergols sous très haute pression dans la chambre de combustion. Une partie de l’hydrogène circule le long de la paroi de la tuyère dans des canaux spécialement usinés afin de la refroidir et éviter qu’elle ne fonde. Les ergols sont injectés dans la chambre de combustion qui est le cœur du moteur. La pression ambiante est très élevée (environ 100 bar) car la poussée et l’impulsion spécifique augmentent avec la pression. L’hydrogène atteint rapidement l’état supercritique. L’oxygène est injecté sous forme liquide à une température très faible (80 K). Ils sont tous deux injectés au travers des 516 injecteurs coaxiaux. L’oxygène étant injecté à une vitesse plus faible que celle de l’hydrogène le jet se pulvérise sous l’action des forces de cisaillement créant un brouillard de gouttelettes qui s’évaporent très rapidement. Puis lorsque toutes les conditions sont réunies, se produit la combustion. Ces gouttelettes, qui se trouvent dans un milieu où la température et la pression sont supérieures aux valeurs critiques de l’oxygène, peuvent alors atteindre à la surface la température critique avant de s’évaporer totalement. La combustion ne s’effectue donc plus en phase gazeuse mais en régime supercritique ou transcritique. Pourtant, ce régime particulier n’a pas toujours été pris en compte. Dans les modèles de Introduction 15 combustion, l’utilisation de la thermodynamique supercritique n’est apparue qu’au début des années 90. Auparavant, la phase supercritique était modélisée comme un gaz dense. Pour bien comprendre la différence entre un liquide, un gaz et un fluide supercritique, il suffit d’observer le diagramme de phase de la figure 2. On remarque qu’un fluide supercritique est obtenu dans F IG . 2 – Diagramme de phase d’une espèce pure en fonction de la température, pression et volume occupé. (Crédit : Wikipédia) un milieu où la pression est élevée, par rapport aux pressions standards, mais surtout au dessus de la pression critique du fluide considéré. D’ailleurs il est également nécessaire que la température soit supérieure à la température critique de l’élément ; dans le cas où seule la pression est supérieure à la pression critique on parle de fluide transcritique. Les valeurs critiques de l’oxygène et de l’hydrogène sont résumées dans le tableau 1. On ne parle alors plus de liquide Élément Température critique (K) Pression critique (bar) Oxygène Hydrogène 154.576 33.24 50.43 12.98 TAB . 1 – Valeurs critiques de l’oxygène et l’hydrogène [55]. ou de gaz mais d’un état de la matière différent : la phase supercritique. Un fluide supercritique ressemble à un gaz mais il peut avoir une masse volumique proche de celle de sa phase liquide et on aurait tendance à lui approprier les m^emes propriétés thermodynamiques. En fait, les fluides supercritiques possèdent des caractéristiques à la fois du liquide et du gaz ; par exemple, ils ont 16 Introduction une densité et une diffusivité proche de celle d’un liquide mais une viscosité proche de celle d’un gaz. Comme le libre parcours moyen d’une molécule décro^ıt avec la pression, les effets de la taille des molécules et des forces intermoléculaires ne peuvent plus ^etre négligés. Bien que des dizaines de tirs de lanceurs soient effectuées chaque année, la compréhension des différents phénomènes physiques intervenant dans leurs moteurs est loin d’^etre complète. Seules quelques expériences sont capables de reproduire en laboratoire les conditions extr^emes présentes au sein de la chambre de combustion du moteur Vulcain comme le banc Mascotte [37] [38]. Mais les difficultés d’exploitation dues aux conditions de pression et du carburant employé imposent des contraintes énormes qui réduisent le nombre d’essais. C’est pourquoi le CNES et la SNECMA favorisent le développement de nouveaux codes numériques et l’étude du mélange fait parti de leurs axes de recherche. Bien que largement utilisée dans d’autres domaines, la simulation numérique d’écoulements appliquée à des conditions supercritiques est encore en développement afin d’obtenir des codes de calcul capables de donner des résultats suffisamment fiables avec des temps de calcul raisonnables. Ainsi l’objectif de cette thèse est de créer un code de simulation numérique directe pour simuler des écoulements dans des conditions de haute pression pour permettre de valider des modèles physiques utilisés dans des codes de simulations LES ou RANS. Nous introduirons en première partie les différents aspects de la simulation numérique dans les moteurs de fusée qui nous permettront de justifier les choix que nous avons fait, en particulier sur l’utilisation d’un code de simulation numérique directe utilisant un formalisme à faible nombre de Mach. Ensuite, il a s’intéresser aux phénomènes liés aux fortes pressions qui affectent la thermodynamique et les coefficients de transport. Dans la deuxième partie du manuscrit, on présentera les différents modèles disponibles, et les résultats issus de certains de ces modèles ont été comparés à des données de référence et introduits dans un code de simulation numérique. Ce code de calcul (Asphodèle) est un code de simulation numérique directe, développé au CORIA depuis plusieurs années mais uniquement pour des configurations à pression atmosphérique. Ce code sera présenté en troisième partie ainsi que les modifications qui ont été apportées afin de simuler des configurations à pressions élevées tout en ayant des temps de calcul les plus faibles possibles. Nous détaillerons également les configurations qui ont été mises en œuvre. Enfin, en dernière partie, nous présentons les résultats obtenus avec le code Asphodèle et nous présenterons les différentes études qui ont permis de valider les modifications apportées au code Asphodèle, d’étudier l’impact des coefficients de transport et du nombre de Lewis sur la dynamique de l’écoulement ou encore, de vérifier l’utilisation de modèles physiques dans des codes RANS et LES. Chapitre 1 La simulation numérique appliquée aux moteurs de fusée 1.1 Contexte La chambre de combustion d’un moteur de fusée est au cœur de l’ensemble du dispositif de propulsion qui permet à la fusée, dans la deuxième partie de son vol, de mettre sur orbite sa charge utile. C’est pourquoi il est important de comprendre au mieux ce qui s’y passe afin d’améliorer ses performances et optimiser la consommation de carburant et d’oxydant (qui est également stocké) car chaque seconde écoulée ce sont pas moins de 320 kg d’ergols qui sont injectés dans la chambre de combustion. Cela requiert donc une compréhension plus approfondie des phénomènes liés à l’injection et au mélange dans la chambre de combustion. Or, la mécanique des fluides associée aux conditions particulières qui règnent dans la chambre de combustion forme un ensemble complexe. Contrairement aux nombreuses connaissances que les chercheurs ont sur la combustion et les phénomènes physiques associés à basse pression, celles concernant les fluides supercritiques sont moins complètes car les études sur le domaine sont encore en développement. La plupart des progrès qui ont été réalisés dans ce domaine ont été motivés par les différentes études sur les moteurs cryotechniques lors de la dernière décennie. Ainsi des efforts ont été faits pour essayer de comprendre expérimentalement ce qui se passait à l’intérieur de la chambre de combustion et décrire la dynamique de l’injection et le mélange de fluides supercritiques. Des expériences portant sur un seul des nombreux injecteurs présents dans la chambre de combustion ont été réalisées en France (banc Mascotte, ONERA) ou encore aux États-Unis (Cryogenic Combustion Laboratory, Pennsylvania State University). On peut aussi signaler les études de Mayer et Smith [53], Oschwald [66] ou encore Chehroudi et al [17]. Ces études ont montré d’importants changements de la structure du jet quand la pression augmente et passe au delà de point critique comme il est possible de la voir sur les images de la figure 1.1. Les ligaments et les gouttes qui apparaissent en sous-critique, et qui sont dus aux instabilités interfaciales, disparaissent une fois la pression critique atteinte car dans ces conditions la tension de surface devient nulle. La physionomie du jet ressemble d’avantage à celle d’un jet 18 La simulation numérique appliquée aux moteurs de fusée F IG . 1.1 – Jet coaxial de LN2 /He, lorsque la pression est à 10 bar et inférieure à la pression critique (image A) et lorsque la pression est à 60 bar et supérieure à la pression critique (image B) [53]. gazeux qu’à celle d’un jet liquide (figure 1.1). Lorsque la pression dépasse la pression critique, la distinction entre les phases dense et légère est moins marquées (image du bas), contrairement au cas sous-critique (image du haut). La disparition des forces de tension de surface est également visible sur les quatre images de la figure 1.2 sur lesquelles du CO2 gazeux est mis en contact avec du CO2 sous forme liquide. Puis, lorsque la température et la pression augmentent, les forces de surface diminuent jusqu’à ce qu’elles deviennent nulles lorsque la pression et la température deviennent supérieures aux pression et température critiques de l’espèce en question. Malgré tout, à cause de la pression qui imposent des contraintes énormes sur ces expériences en laboratoire, le nombre de données expérimentales reste très limité. Les données disponibles par exemple pour le banc Mascotte sont les champs d’émission du OH∗ [84], la température avec la méthode CARS (Coherent Anti-Stokes Raman Scattering) [97], ou encore les visualisations issues d’ombroscopie [37]. À partir de ces résultats, il est possible de conna^ıtre, entre autre, la position de la flamme mais il manque des données importantes comme les champs de vitesse. C’est pourquoi d’importants efforts dans la simulation numérique des écoulements supercritiques ont été consentis, en particulier par le biais des agences spatiales comme le CNES (qui finance cette thèse) ou la NASA qui a mis en place de nombreux projets. Initialement, malgré les nombreux programmes mis en place, la géométrie des chambres et des injecteurs ainsi que l’utilisation d’une thermodynamique non adaptée ne permettait pas d’obtenir des résultats satisfaisants. Désormais, la CFD (Computational Fluid Dynamic) qui uti- 1.1 Contexte 19 Image 1 Image 2 Image 3 Image 4 F IG . 1.2 – Évolution de l’interface lorsque la pression et la température augmentent (images 1 et 2) et dépassent les valeurs critiques (images 3 et image 4). (Crédit : Université de Leeds, Leeds Cleaner Synthesis Group) lise de nouvelles approches thermo-physiques ainsi que de nouveaux outils pour produire des maillages de plus en plus précis, permet d’associer les performances en terme de respect des formes et d’une physique plus réaliste. La principale contrainte étant la robustesse des codes pour des conditions de pression élevée. Ainsi, pour tenter de résoudre ce problème, des codes de calcul utilisent des modèles qui permettent de résister à l’élévation des gradients, mais le manque de résultats expérimentaux ne permet pas de valider un modèle plut^ot qu’un autre. Récemment, de nouvelles approches ont été développées en particulier avec le formalisme LES [104]. L’augmentation de la pression dans le domaine de calcul implique des effets sur la physique qui se répercutent sur la résolution numérique ce qui implique des traitements spécifiques qui concernent certains points particuliers comme : – Le couplage entre la thermodynamique et la masse volumique car la masse volumique peut varier de plusieurs ordres de grandeur (ρmax /ρmin ≈ 250). – La relation de compressibilité entre la masse volumique et la pression, qui peut ^etre définie par le coefficient de compressibilité Z. La figure 1.3 montre le coefficient de compressibilité de l’oxygène en fonction de la température et de la pression calculée en utilisant la loi d’état de Peng-Robinson [69]. La pression critique et la température critique étant, pour l’oxygène TO2 = 155 K et PO2 = 50.4 bar, on voit que dans la zone supercritique 20 La simulation numérique appliquée aux moteurs de fusée 0.4 0.6 0.8 0.2 1 1000 800 800 600 600 T (K) T (K) 0.2 1000 400 200 0.4 0.6 0.8 1 400 200 20 40 60 P (Bar) Oxygène 80 100 20 40 60 P (Bar) 80 100 Hydrogène F IG . 1.3 – Coefficients de compressibilité Z de l’oxygène et de l’hydrogène en fonction de la pression et de la température. (T > Tc et P > Pc ) le coefficient de compressibilité est proche de 1 pour la plupart des températures. Ainsi le comportement de l’oxygène en ce qui concerne l’écoulement se rapproche de celui des gaz parfaits. Au contraire, pour des températures basses, le coefficient de compressibilité est très petit ce qui signifie qu’une faible variation de masse volumique correspond à une grande variation de pression (à température constante) ce qui peut poser des problèmes pour la résolution numérique des équations. Par exemple, si l’on utilise l’équation de la masse pour calculer les nouvelles valeurs de masse volumique (avec le formalisme complètement compressible généralement utilisé) et qu’ensuite on en déduit la pression, alors les petites erreurs sur la masse volumique conduiront à de fortes variations de pression. Cette amplification des erreurs peut amener des instabilités sur le champ de vitesse. Ainsi pour traiter cette zone il faut avoir recours à des méthodes numériques particulières dont celle de Yang et al [104] qui utilisent un préconditionnement décrit brièvement ci-après. – La détermination des coefficients de transport. Si un certain consensus existe pour la viscosité et le coefficient de conductivité thermique, la détermination des coefficients de diffusion de la masse reste plus problématique. – La validation des schémas cinétiques pour des applications de combustion qui n’ont, en général, pas été validés pour les hautes pressions. – La modélisation des termes de sous maille dans le cas de simulation aux grandes échelles. Peut-on toujours utiliser les modélisations développées pour les écoulements à basse pression dans le cas d’écoulements à haute pression ? En particulier peut-on utiliser l’équation d’état des gaz réels directement avec les quantités résolues ? – L’influence des effets Soret et Dufour. Avec l’augmentation de la pression et de la tempé- 1.1 Contexte F IG . 1.4 – Évolution radiale des flux de diffusion des principales espèces (H2 , O2 , OH et H2 O) [62]. Les triangles supérieurs représentent le flux de diffusion, les triangles inférieurs le flux lié au terme de Soret et les carrés correspondent à la somme de tous ces flux. rature, divers phénomènes physiques ne doivent plus ^etre négligés ; est-ce le cas pour les effets Soret et Dufour ? Ces effets s’ajoutent aux flux de diffusion de masse et de chaleur. Ainsi le flux moléculaire est la somme du terme de Fick et du terme de Soret tandis que le flux de chaleur devient la somme du terme de Fourier et du terme de Dufour. Ces termes sont dus à la présence de gradients dans l’écoulement ; le gradient thermique entra^ıne un déplacement de matière (effet Soret) et le flux de masse diffuse avec lui de l’énergie sous forme de chaleur (effet Dufour). Oefelein [62], qui a inclus ses deux effets dans son code de calcul, précise, gr^ace aux résultats issus de ses simulations LES, que ces deux termes sont très faibles voire négligeables. On a présenté sur les figures 1.4 et 1.5, la contribution des différents termes des équations de transport des espèces et de l’énergie. On constate sur ces images que la contributions des termes de Soret et Dufour est faible, en particulier devant les flux totaux. Au contraire, Bellan et al [3] signalent que les effets Soret et Dufour ne peuvent ^etre négligés. En pratique, dans la plupart des simulations, ces deux effets sont négligés. On comprend mieux pourquoi de nombreuses études ont été mises en place afin d’essayer 21 22 La simulation numérique appliquée aux moteurs de fusée F IG . 1.5 – Évolution radiale des différents flux de l’équation de transport de l’énergie [62]. Les triangles supérieurs représentent le flux de Fourier, les triangles inférieurs le flux de diffusion, les losanges le flux lié au terme de Dufour et les carrés correspondent à la somme de tous ces flux. de répondre à toutes ces questions. Ces conditions particulières, notamment la pression élevée qui règne dans la chambre de combustion, obligent les chercheurs à intégrer dans leur code des modèles numériques particuliers mais avant de s’intéresser aux principaux codes de simulation qui ont déjà étudié l’injection à haute pression, nous allons dans un premier temps présenter les différentes méthodes qui permettent de résoudre les équations de transport : les formalismes RANS, LES et DNS. 1.2 1.2.1 La résolution des équations de transport Le Formalisme RANS Tout d’abord, nous présentons le formalisme qui a été le plus utilisé par le passé et donc le plus étudié : le formalisme RANS (Reynolds-Average Navier-Stokes). Le cas particulier de la simulation numérique directe mis à part, les équations de transport des variables instantanées ne sont pas résolues directement. La méthode la plus classique consiste à décomposer les quantités transportées X décrivant un signal en une partie moyenne hXi et une partie fluctuante X 0 telles que X = hXi + X 0 (1.1) afin de ne prédire que l’évolution du mouvement moyen. L’effet de la turbulence sur ce dernier ne pouvant ^etre pris en compte, il faut alors utiliser un modèle. L’opérateur moyenne hXi peut 1.2 La résolution des équations de transport ^etre défini de manière temporelle par : 1 hXi = lim τ →∞ τ doit vérifier les propriétés de Reynolds : 23 Z τ 0 X (t) dt hhXii = hXi hX 0 i = 0 (1.2) (1.3) (1.4) ainsi que la relation suivante : ∂hXi ∂X = h i ∂ξ ∂ξ (1.5) avec ξ une variable spatiale. Si l’opérateur moyenne est appliqué aux équations de transport, des termes de corrélation entre les fluctuations de vitesse apparaissent : le tenseur de Reynolds τij = hUi Uj i. Il traduit le lien entre le mouvement moyen et le mouvement fluctuant et ne peut ^etre calculé directement car seules les valeurs moyennes des variables du système sont connues. La fermeture du système d’équations nécessite la modélisation du terme τij . De nombreuses méthodes existent mais ne seront pas décrit ici. On peut néanmoins citer le modèle de longueur de mélange et le modèle k − qui sont les plus couramment utilisés. Ils introduisent un terme de viscosité turbulente µt , proposé par Boussinesq, qui permet la conservation de la structure du tenseur de cisaillement dans l’équation du mouvement. Les expressions de la viscosité turbulente font appara^ıtre des constantes qui ne dépendent pas du fluide mais sont des grandeurs caractéristiques de l’écoulement. Ces constantes peuvent ^etre déterminées par l’expérience ou l’analyse dimensionnelle mais en pratique il est souvent nécessaire de les ajuster à la configuration envisagée. Ce problème pratique mis à part, le modèle k − , a l’avantage de pouvoir ^etre utilisé dans des conditions très difficiles d’écoulements de type industriel présentant des géométries complexes et à nombre de Reynolds élevé. Bien que présentant des avantages non négligeables sur les temps de calcul et la possibilité de simuler des grands domaines de calcul notamment, le formalisme RANS ne permet pas de profiter des nouvelles capacités de calcul. Ainsi, la simulation aux grandes échelles (LES) permet de décrire avec d’avantage de précision les écoulements fluides en utilisant les ressources de calcul disponibles pour modéliser les plus grandes échelles de l’écoulement et de connaitre leur évolution temporelle. 1.2.2 La simulation aux grandes échelles (LES) Situé d’un point de vu spectral entre la DNS, qui simule toutes les échelles de la turbulence, et le modèle k − , qui les réduit à une moyenne, la simulation des grandes structures 24 La simulation numérique appliquée aux moteurs de fusée (ou LES pour Large Eddy Simulation) va, comme son nom l’indique, résoudre les échelles les plus importantes du mouvement (partie du spectre située dans les basses fréquences) et modéliser l’effet dissipatif des petites structures souvent isotropes. La LES suppose implicitement que le comportement des grandes structures n’est pas directement lié au mécanisme de transfert d’énergie vers les petites échelles [41], d’où la grande diversité des modèles existants. De plus, les grandes échelles sont supposées contr^oler le taux d’énergie devant ^etre dissipé, ce fait étant le principe de base du modèle dont les paramètres s’adaptant systématiquement aux conditions locales de l’écoulement. D’un point de vu pratique, sa mise en œuvre ne nécessite pas, en général, la résolution de nouvelles équations de transport. Cependant, un maillage plus fin que celui appliqué au domaine dans le cas d’un modèle k− doit ^etre utilisé. Ces éléments ainsi que certaines contraintes dans le choix du schéma numérique impliquent un temps de calcul plus élevé que pour les modèles de type RANS. Mais l’évolution actuelle des techniques informatiques le rend dès à présent tout à fait performant et lui offre de grandes perspectives d’avenir. Jusqu’au début des années 90, la modélisation LES était relativement marginale par rapport à l’emploi d’un certain nombre d’autres modèles comme le k −. Néanmoins, les recherches concernant la LES se diversifient de plus en plus et se multiplient suite aux succès obtenus gr^ace aux premiers modèles. Des bibliographies liées à la LES ont déjà été proposées par quelques auteurs (comme Lesieur [50]), c’est pourquoi nous présentons ici que les principaux modèles. Le principe physique de base de la modélisation de sous-maille étant de réussir à quantifier le transfert énergétique des grandes structures vers les petites. Les modèles doivent de plus ^etre capables de résoudre le problème du backscatter ou transfert d’énergie des petites vers les grandes échelles. Le premier modèle fut celui de Smagorinsky [86] qui base le calcul de la viscosité turbulente sur une relation linéaire entre le cisaillement des échelles résolues et la taille caractéristique du filtre via une constante ; ce modèle très rapide à mettre en œuvre donne de bons résultats pour des écoulements simples. Bardina et al [2] ont proposé un modèle de similarité des échelles basé sur le principe suivant : les événements liés aux structures situées au niveau de la sous-maille peuvent se déduire des plus petites des grandes structures simulées. Ce modèle, trop dissipatif à la base, donne de bons résultats après quelques modifications. Une évolution majeure dans la modélisation de sous-maille a eu lieu en 1991, quand Germano et al [34] proposent le premier modèle dynamique de sous-maille. Ainsi, les coefficients permettant de quantifier les flux énergétiques devant ^etre dissipés. Ils sont déterminés de manière automatique en fonction de l’évolution du spectre énergétique. Tous ces modèles ont été utilisés pour des simulations à pression atmosphérique. Comme on l’a souligné précédemment, ces modèles ne semblent pas forcément adaptés pour les pressions qui nous intéressent. Sur ce point, Bellan et al [3] et Selle et al [83] soulignent que les termes de sous-maille généralement négligés à basse pression pourraient devenir importants à pression élevée. Ils ont également mis en évidence la nécessité de tenir compte des effets 1.2 La résolution des équations de transport de forte non-idéalité de la thermodynamique et des coefficients de transport dans les modèles. Malgré tout, selon Schmitt et al [82], il n’existerait pas encore de modèle de sous-maille adapté. La LES, qui permet de conna^ıtre avec d’avantage de précision les échelles de l’écoulement, a néanmoins besoin d’utiliser un modèle numérique pour déterminer les petites structures de cet écoulement, modèles qui ne font pas l’unanimité lorsque la pression du milieu augmente. Malgré ce constat, de nombreux chercheurs ont tout de m^eme utilisé ces modèles de sousmaille faute de mieux. Pour aller plus loin, il serait nécessaire d’avoir des données extr^emement précises qui sont difficiles à obtenir expérimentalement. Il faudrait alors une méthode numérique capable de résoudre toutes les échelles de la turbulence sans utiliser de modèle particulier. Ce formalisme est celui de la simulation numérique directe. 1.2.3 La simulation numérique directe (DNS) La simulation numérique directe (ou DNS pour Direct Numerical Simulation) résout les équations de transport des variables instantanées qui décrivent les paramètres du fluide comme la masse (scalaire), la quantité de mouvement (vecteur) et l’énergie cinétique ou l’enthalpie ou la température (qui sont des scalaires). En plus de ces trois variables peuvent s’ajouter des scalaires inertes ou réactifs liés à la chimie du fluide représentant les espèces ou le degré d’avancement d’une réaction. Avec ce formalisme, l’ensemble des propriétés de la turbulence sont conservées et notamment le spectre complet de la turbulence des plus grandes au plus petites échelles. Cela implique forcément un maillage plus fin permettant de représenter les petites structures d’un domaine dont la taille est suffisante pour contenir les plus gros tourbillons. De plus, la méthode numérique utilisée doit posséder des propriétés spectrales, c’est à dire, ^etre d’ordre élevé et sans dissipation numérique afin que les évolutions spatiale et temporelle des variables aérothermochimiques soient les plus proches possibles de la réalité. La précision nécessaire du calcul a deux conséquences, d’une part un co^ut informatique élevé et d’autre part, la géométrie du problème doit rester relativement simple. La résolution directe, sans modèle ni approximation, des équations de transport permet d’étudier de manière approfondie des phénomènes physiques fondamentaux tout en étant certain de la qualité des résultats observés. De m^eme, la validation de modèles pour des conditions de calculs ou des données difficiles voire impossibles à réaliser par l’expérience fait de la DNS un outil précieux ce qui est le cas pour l’étude du mélange dans la chambre de combustion d’un moteur Vulcain 2. Lorsqu’on fait un historique des simulations numériques supercritiques, il en ressort que ce sont les formalismes LES et RANS qui ont majoritairement été utilisés. Nous présentons dans la partie suivante, quelques unes de ces simulations dont une étude comparative entre plusieurs simulations LES, RANS et URANS. Nous présentons également la seule simulation numérique directe qui soit, à notre connaissance, appliquée aux écoulements supercritiques pour l’étude de l’injection dans les moteurs fusées. 25 26 La simulation numérique appliquée aux moteurs de fusée 1.3 Présentation de plusieurs codes de simulation supercritiques Depuis le début de la conqu^ete spatiale et l’utilisation des moteurs cryotechniques, de nombreuses études ont été mises en place, principalement des études numériques. Parmi ces études, certaines des plus récentes sont présentées dans cette partie dans laquelle on détaille les codes de simulation ainsi que les configurations utilisées et les conclusions des auteurs. Ces codes de calcul utilisent les trois méthodes de résolution que sont le RANS, la LES et la DNS. De plus, une étude comparative entre cinq équipes travaillant sur un projet commun est présentée. 1.3.1 Le projet Constellation : comparaison de résultats issus de codes de simulation RANS, URANS et LES Le projet Constellation [95] a été mis en place par la NASA afin de comparer les résultats issus de cinq codes de simulations numériques à partir d’une configuration initiale identique. Le but est de regarder le r^ole joué par les différents modèles physiques qui permettent de réaliser des simulations d’écoulement dans des conditions supercritiques. La configuration introduite dans les différents codes représente un écoulement issu d’un injecteur coaxial fonctionnant avec du GO2 /GH2 et du LO2 /GH2 et d’un injecteur swirl coaxial fonctionnant avec du LO2 /GH2 . Quelques détails des différentes méthodes numériques, modèles de sous-maille, etc, sont brièvement présentés ci-dessous mais pour plus de précision, le lecteur peut se référer à la publication [95] et aux diverses publications des auteurs. LES : Oefelein L’auteur utilise un code LES qui résout les équations de conservation de la masse, moment, énergie total et des espèces. Le modèle supporte le mélange multi-espèces en utilisant un traitement général de l’équation d’état, de la thermodynamique et des coefficients de transport. Une particularité de son code de simulation est l’utilisation d’un modèle de reconstruction (Stochastic Reconstruction Model) qui permet de tenir des rapports de densité élevés, modèle qui combine les approximations mathématiques obtenues par une procédure de déconvolution avec les résultats issus d’une estimation d’un spectre du champ de scalaire afin d’^etre en concordance avec les moments. Cette méthode est détaillée en [67] et [56]. Son code de calcul est parallélisé en utilisant de la librairie MPI. Les schémas de dérivation sont du second ordre en temps et en espace. Enfin, le code permet de traiter la combustion en utilisant le schéma de Ó Conaire et al (8 espèces, 21 réactions). LES : Yang La formulation utilisée par Yang et al comprend l’ensemble des équations de conservation appliqué au cas de mélanges. Le mélange de différentes espèces est par ailleurs pris en compte 1.3 Présentation de plusieurs codes de simulation supercritiques dans les lois thermodynamiques et les modèles qui permettent de calculer les coefficients de transport. Les termes de sous-maille pour la turbulence et la chimie sont traités par le couplage des fractions de mélange et d’un modèle de flamelettes. La simulation est initialisée en utilisant un champ RANS pour établir des conditions initiales raisonnables pour un calcul LES. La cinétique chimique est prise en compte par un mécanisme incluant 8 espèces et 19 réactions. La précision numérique est d’ordre quatre en espace et de deux en temps. Le code est parallélisable avec l’utilisation de la bibliothèque MPI et le domaine a été décomposé en 71 blocs ce qui représente un total de 750×320 cellules dans la direction axiale et radiale respectivement (simulation 2D axisymétrique). Le pas de temps utilisé pour cette configuration est de 10−7 secondes. Afin de tenir des gradients importants présents dans ces conditions de pression élevée, ils utilisent un préconditionnement dans les équations de transport [101]. Ce préconditionnement sert à corriger les erreurs à chaque sous-pas de temps jusqu’à ce que ces erreurs tendent vers zéro. Ainsi, dès que les éléments de la matrice de préconditionnement ont convergé, les grandeurs calculées correspondent aux grandeurs du pas de temps suivant. Ce préconditionnement permet ainsi de tenir de forts gradients de densité et de traiter des cas faiblement compressibles comme des cas fortement compressibles, à faible et grand nombre de Mach ; c’est pourquoi ils ont nommé ce formalisme All Mach. LES : Menon Menon utilise le code de LES appelé LESLIE3D qui est entièrement compressible, développé en volume fini avec une précision d’ordre 2 en temps et en espace. Il a été introduit dans le code une approche hybride qui combine un schéma prédicteur-correcteur dans les zones lisses et une méthode MUSCL couplée à un limiteur de type Harten-Lax-Leer (HLL) dans les régions présentant de forts gradients ou des discontinuités. La commutation entre les deux méthodes est dynamique et locale. La géométrie du domaine est cylindrique utilisant un maillage de 611×87×65 points auquel il faut ajouter une zone interne cartésienne de 611×17×17 points permettant d’éliminer des singularités. Le maillage est de taille variable et dans la direction radiale, le pas d’espace est d’environ 4.3.10−5 m. Comme dans le code d’Oefelein, la combustion est prise en compte et est traitée avec la méthode développée et optimisée par Ó Conaire. URANS : Merkle Merkle a développé un code de calcul URANS (Unsteady RANS) implicite qui résout de manière couplée les équations de l’énergie et des espèces. Le schéma cinétique utilisé est composé de 9 espèces et 17 réactions. Les schémas de dérivation (temporel et spatial) sont tous deux du second ordre et la méthode de dérivation spatiale est basée sur un schéma de Roe modifié qui permet de contr^oler la dissipation artificielle et les régions de faible vitesse. Un total de 200.000 cellules a été nécessaire pour la simulation pour un domaine 2D axisymétrique 27 28 La simulation numérique appliquée aux moteurs de fusée RANS : Tucker Enfin, la dernière simulation de cette étude est celle de Tucker. Les modèles k − de Wilcox et Mentor Shear Stress Transport (SST) ont été introduits dans le code de calcul. C’est un code RANS permettant de prendre en compte la combustion avec un schéma cinétique à 6 espèces et 28 réactions. Il utilise pour déterminer les coefficients de transport et les grandeurs thermodynamiques les lois des gaz parfaits. C’est un solveur de type volumes finis. Un préconditionnement est utilisé pour les applications à faible nombre de Mach. Les schémas de dérivées spatial et temporel sont d’ordre deux. Un solveur utilisant une haute résolution de Riemann est utilisé pour résoudre les flux turbulents. Enfin, le maillage est constitué de cellules non structurées et le pas de temps physique utilisé dans la présente configuration est de l’ordre de 10−4 secondes. Conditions initiales de la configuration testée Nous présentons dans cette partie les conditions d’injection des réactifs ainsi que les maillages utilisés. Les fluides injectés dans le domaine de calcul sont séparés en deux parties qui sont l’oxydant et le carburant. L’oxydant, composé d’un mélange d’oxygène et d’eau, (dont les fractions massiques sont 0.945 et 0.055), est injecté à 711 K et a pour vitesse 68 m.s−1 . Le carburant est également un mélange dont la composition en masse est 40, 2 % d’hydrogène et 59, 8 % d’eau, de température 800 K et injecté à 25.9 m/s. La pression ambiante, qui règne dans le domaine, est de 5, 2 M P a. Résultats Cette étude a été mise en place dans le but d’étudier les ressemblances et les différences qui peuvent ^etre observées entre les codes de simulation développés indépendamment les uns des autres afin de quantifier l’impact des modèles utilisés sur les grandeurs de l’écoulement. Pour ce faire, ils comparent des champs de diverses grandeurs physiques (température, vorticité, fractions massiques de O2 , H2 et du radical OH) et afin de comparer les résultats issus de la simulation RANS aux autres simulations, des champs de valeurs moyennes dans le temps sont également présentés (température, vorticité, énergie cinétique turbulente et les m^emes fractions massiques que précédemment de O2 , H2 et du radical OH). Une partie des résultats est présentée sur les images des figures 1.6 et 1.7 dont la température et la fraction massique du radical OH. Bien que les valeurs d’injection des réactifs soient identiques, on remarque aisément les écarts entre les différents codes de simulation. On constate tout d’abord, que les ordres de grandeur sont respectés pour toutes les grandeurs physiques présentées, mais il est difficile de trouver des ressemblances que ce soit pour les champs instantanés ou moyennés. Pour ce qui est des grandeurs instantanées, les résultats issus de la simulation LES de Menon sont ceux qui présentent le moins de ressemblance avec les autres simulations, surtout avec le champ de fraction massique du radical OH ; c’est d’ailleurs avec cette grandeur que l’on trouve le plus de ressemblances entre les trois autres auteurs. Cela peut para^ıtre paradoxal quand on observe les champs 1.3 Présentation de plusieurs codes de simulation supercritiques Température Fraction massique du radical OH F IG . 1.6 – Champs instantanés de la température et de fraction massique du radical OH en proche de l’injecteur moyennés qui sont très différents. Bien qu’il soit possible d’observer des similitudes entre certains codes, notamment pour les champs moyennés, les différences restent trop marquées pour que les auteurs puissent se mettre d’accord sur un comportement global qui permettraient de décrire le transport, le mélange ou encore la combustion des ergols et des produits de la réaction chimique. Les méthodes ainsi que les modèles choisis permettant, selon les auteurs, de tenir des gradients importants et donc une pression ambiante élevée, influent sur les résultats des simulations. De plus, les valeurs d’injection des fluides (la densité de l’oxydant est 26.8 kg/m3 et 3.33 kg/m3 pour le fuel) sont très éloignées des conditions réelles d’injection. Qu’adviendrait-il pour des conditions proches de l’injection cryogénique ? C’est pourquoi au moins deux des auteurs cités précédemment, Yang [104] et Oefelein [61], ont fait varier les paramètres d’injection afin de se rapprocher des conditions réelles de fonctionnement des moteurs cryotechniques en utilisant leur code de simulation. De telles simulations fournissent des analyses détaillées sur les structures de la flamme ou encore sur les contributions des mécanismes de diffusion comme les effets Dufour et Soret qui ont 29 30 La simulation numérique appliquée aux moteurs de fusée Température Fraction massique du radical OH F IG . 1.7 – Champs moyens de la température et de fraction massique du radical OH en proche de l’injecteur été introduits dans le code de Oefelein. La NASA et les équipes qui sont associées à ce projet ne sont pas les seules à s’intéresser à ce sujet. Le CNES (l’agence spatiale française) participe activement aux recherches dans ce domaine et finance d’autres études comme celle menée au CERFACS par Thomas Schmitt dans le cadre de sa thèse. 1.3.2 Présentation des travaux de Schmitt et al Schmitt et al [82] utilisent un code LES appelé AVBP développé au CERFACS. Le code AVBP est un code explicite, utilisant un maillage non structuré. Un schéma de troisième ordre en temps et en espace (de type Taylor-Galerkin) peu dissipatif est utilisé. Pour supporter des gradients élevés, les auteurs introduisent une viscosité artificielle pour atténuer les oscillations numériques. Afin de déterminer les conditions limites, la méthode NSCBC [73] a été introduite et adaptée pour la thermodynamique des gaz réels. Pour ce qui est de la partie réactive, ils utilisent le modèle TFLES associé à un schéma à 4 espèces et deux réactions adapté des travaux de 1.3 Présentation de plusieurs codes de simulation supercritiques F IG . 1.8 – Image de gauche : coupe présentant la fraction massique d’hydrogène dans le plan médian du domaine ainsi que l’iso-contour du flux de chaleur (en W/m3 ). Image de droite : coupe de fraction massique moyenne du radical OH dans le plan médian (haut) comparée aux résultats de Juniper [42] (bas) Rogers et Chinitz [80]. Les lois de gaz réels (Peng-Robinson [69]) et des modèles choisis pour le calcul des coefficients de transport (Chung et al [20] pour la viscosité et la conductivité thermique et l’approximation de Hirchfelder-Curtis [40] pour la diffusion des espèces) remplacent les lois des gaz parfaits et les coefficients utilisés habituellement à basse pression. La modélisation des termes de sous-maille est effectuée avec un modèle classique (le modèle WALE [60]). Afin de tester leur code, ils ont simulé un jet rond, axisymétrique d’azote dans un réservoir gazeux contenant également du N2 . Deux cas ont été considérés en faisant varier la pression ; ils ont simulé un jet supercritique (température élevée impliquant une faible densité) et un jet transcritique (faible température d’injection d’où une densité élevée). Puis, ils ont utilisé leur code pour réaliser des simulations plus réalistes : injection de O2 et H2 en condition transcritique et supercritique. Nous présentons uniquement la configuration et les résultats du second cas. Les auteurs ont basé leur simulation sur le banc expérimental Mascotte de l’ONERA afin de comparer leurs résultats. Le domaine est une boite de section carré dont les dimensions sont 50 × 50 × 400 mm pour un total de 850 000 nœuds qui représentent 5 000 000 de tétraèdres. La pression à l’intérieur du domaine est de 60 bar. Schmitt et al présentent plusieurs résultats instantanés extraits de leur simulation dont une coupe de la fraction massique d’hydrogène dans le plan médian du domaine (figure 1.8). Ils présentent également des champs de valeurs moyennes comme le champ moyen de fraction massique du radical OH qu’ils comparent aux résultats expérimentaux de Juniper et al [42] et on constate qu’il présente de nombreuses ressemblances. Le champ moyen de température est également présenté dont ils ont extrait des températures, en plusieurs points du domaine, pour les comparer aux mesures effectuées par la technique CARS et dans ce cas, des différences plus importantes apparaissent (figure 1.9). 31 32 La simulation numérique appliquée aux moteurs de fusée F IG . 1.9 – Coupe du champ moyen de température (gauche) à partir de laquelle il est extrait des profils radiaux à 15, 50 et 100 mm de l’injecteur. Ces profils (traits sur la figure de droite) sont comparés aux résultats expérimentaux de Habiballah [37] (points de la figure de gauche). 1.3.3 Modélisation de la combustion supercritique en approche RANS (Demoulin et Mura) Une approche différente de la méthode RANS traditionnelle a été développée par Demoulin et Mura [27] et appliquée au cas d’un injecteur coaxial. Au lieu de résoudre toutes les équations de transport (masse, moment, énergie, espèces), ils ne transportent qu’une seule grandeur : la fraction de mélange. À partir de cette grandeur et d’une fonction de densité de probabilité, ils calculent toutes les autres grandeurs thermophysiques. Ainsi, il n’est plus utile de résoudre l’équation d’état tout comme les modèles des coefficients de transport pour conna^ıtre la densité, la viscosité, etc ; le gain en temps de calcul est alors considérable. Toutes les variables thermo-chimiques sont calculées à l’équilibre chimique en fonction de la variable de mélange Z qui dans le cas du mélange O2 /H2 vaut 1 pour de l’hydrogène pur et 0 pour de l’oxygène pur. Leurs valeurs moyennes sont obtenues après intégration avec la pdf de Z. Celle-ci est déterminée à partir de la valeur moyenne et de la variance de Z. Cette méthode est l’extension de la méthode de pdf présumée avec l’hypothèse de chimie infiniment rapide développée par Borghi [11] au cas supercritique. Les flux turbulents de liquide (LOx) ont été modélisés avec le modèle développé pour les injecteurs coaxiaux [26]. Pour le calcul de l’écoulement, le couplage essentiel avec la thermochimie se fait via l’équation de la masse et la connaissance de la masse volumique en fonction des autres paramètres du problème. Ici il convient de déterminer la masse volumique à l’équilibre chimique pour toutes les valeurs de la fraction de mélange Z. Cependant, les écoulements ne sont pas diphasiques et l’état du mélange est décrit par l’équation de la variance et la forme de la PDF de Z adaptées pour les milieux supercritiques [28]. Trois niveaux de modélisation ont été proposés : 1. Le mélange supercritique se déroule comme le mélange entre deux gaz de masses volumiques différentes. 1.3 Présentation de plusieurs codes de simulation supercritiques F IG . 1.10 – Comparaison de la transformée d’Abel de la lumière émise par le radical OH [42] (en haut) avec le champ de concentration de OH prédit par le modèle LG (en bas). 2. Le comportement du gaz le plus lourd se rapproche du comportement d’un liquide. On introduit alors l’idée qu’une poche de LOx mettra plus de temps à se disperser du fait de sa grande masse volumique qu’une poche de gaz. Ce modèle est appelé LG. La résistance au sein de l’écoulement de zone à fort gradient de masse volumique est corroborée par les études de DNS de couche de mélange supercritique [7] [8]. Il a m^eme été suggéré que ces zones pouvaient ^etre traitées comme des surfaces équivalentes à des interfaces liquide-gaz. 3. La troisième proposition de modélisation explore cette voie en proposant une équation de transport pour cette surface. Les résultats du modèle LG sont présentés et comparés à des mesures effectuées sur le banc d’essai Mascotte [1] [42] [98]. La pression du milieu est de 60 bar, l’oxygène est injecté sous forme liquide à 80 K et le H2 à 287 K. Les vitesses d’injection sont de 4.35 et 236 m/s pour le l’oxygène et l’hydrogène respectivement. La figure 1.10 présente en haut, l’émission moyenne directe de la molécule OH intégrée à travers la flamme, au milieu on retrouve la concentration de OH calculée par le modèle LG et en bas, la transformée d’Abel de l’image du haut. La transformée d’Abel permet d’avoir la concentration de OH expérimentale dans le plan de coupe de la simulation. Ces résultats sont à comparer avec la figure 1.8 qui présente les m^emes champs mais issus de simulations différentes : LES pour Schmitt et al et RANS pour Demoulin et al. Ainsi, pour des temps de calcul largement inférieurs, ils obtiennent des résultats similaires. Bien que le résultat de la transformée d’Abel ne corresponde pas parfaitement à la concentration de OH (seules les molécules OH excitées émettent de la lumière), le comportement du modèle semble ^etre en adéquation avec les résultats expérimentaux ainsi qu’avec d’autres simulations numériques. 33 34 La simulation numérique appliquée aux moteurs de fusée Dans tous les autres codes de simulations, le couplage entre la thermodynamique et l’écoulement se fait principalement à travers la variation de masse volumique dont le calcul est effectué dans chaque maille et à chaque instant. Malgré les techniques d’optimisation, le calcul de la thermodynamique en gaz réel consomme beaucoup de temps CPU. La méthode de calcul proposée par Demoulin et al utilise une relation très simple entre la masse volumique et la variable de mélange Z pour des résultats satisfaisants en comparaison aux résultats expérimentaux. Or, les nombres de Schmidt et de Prandtl n’étant pas égaux à 1, il ne devrait pas ^etre possible d’utiliser ce genre de relation, bien qu’elle donne des résultats satisfaisants avec la méthode RANS. Comme on a pu le remarquer avec la description d’études portant sur l’injection supercritique, la plupart des codes de simulation sont des codes LES ou RANS. Or, on a souligné l’importance des modèles implémentés avec ces types d’approche ; modèles qui ont été initialement développés pour des applications à pression atmosphérique. Dans notre cas, la pression est très supérieure à la pression atmosphérique et les conditions d’injection des fluides soient moins contraignantes que dans la réalité (utilisation de rapport de densité entre le fluide lourd et léger et/ ou coefficient de compressibilité proche à 1), les codes de simulation numérique ne permettent pas d’extraire un comportement général. Ainsi, la méthode de simulation permettant de calculer toutes les échelles de la turbulence sans utiliser de modèle numérique est la simulation numérique directe. Ce formalisme ayant été très peu utilisé en condition supercritique ou transcritique, il est nécessaire d’étudier leur comportement dans les conditions qui nous intéressent. Avec un code de simulation numérique directe pouvant simuler des écoulements supercritiques, il serait alors possible de tester les modèles thermodynamiques (comme l’équation d’état), de transport (permettant de calculer la viscosité, la conductivité thermique par exemple) ou encore l’impact des termes de sous-maille en faisant des tests a-priori. C’est pourquoi notre choix c’est porté sur ce type de simulation tout en sachant qu’il est actuellement impossible de réaliser des simulations identiques à celles de Schmitt ou du projet Constellation. Actuellement, les seules DNS, à notre connaissance, qui soient appliquées aux moteurs cryotechniques ont été réalisées par l’équipe de Bellan au Caltech dont on présente les principaux points clés dans la partie suivante. 1.3.4 Simulation numérique directe supercritique de Bellan et al Il existe très peu de DNS appliquées au cas des fluides supercritiques et encore moins appliquées au cas des moteurs de fusée car les choses deviennent numériquement beaucoup plus complexes. En effet, la pression, qui est si élevée dans la chambre de combustion, a un impact direct sur la densité des réactifs et leur facteur de compressibilité. D’ailleurs, la simulation numérique directe, à notre connaissance, ayant le plus grand rapport de densité ne dépasse pas 25 pour le mélange qui nous intéresse (O2 /H2 ) avec des coefficients de compressibilité de respectivement 0.84 et 1.06. En comparaison avec les simulations LES, Oefelein a tenu des rapports de densité proche de 100. Ces DNS ont été réalisées par Bellan et al [3, 7, 8]. 1.3 Présentation de plusieurs codes de simulation supercritiques C7 H16 (1) P0 (atm) T (K) ρ (kg/m3 ) Z (−) Ux (m/s) ρ1 /ρ2 (−) |ρ1 u1 |/|ρ2 u2 | (−) N2 (2) 60 600 1000 259.49 20.14 0.47 1.02 -85.95 209.86 12.88 5.276 O2 (1) H2 (2) 100 400 600 96.76 3.96 1.00 1.03 -158.0 770.98 24.40 5.00 35 O2 (1) H2 (2) 100 235 287 197.32 8.05 0.84 1.063 -114.93 568.97 24.51 4.95 TAB . 1.1 – Présentation des différentes configurations réalisées par Bellan et al dans ces simulations de couche de mélange supercritique. Les valeurs des variables correspondent aux valeurs des fluides purs [3]. Bellan et al ont simulé une couche de mélange tridimensionnelle, dilatable en résolvant les équations de transport provenant de la théorie des fluctuations-dissipations de Keizer [43]. Cette théorie permet de faire converger les résultats vers la théorie cinétique lorsque la pression devient plus faible. Ainsi, il appara^ıt, dans les termes de diffusion d’énergie et de masse, des termes supplémentaires en plus des effets Soret et Dufour dont elle tient compte. Pour les effets de gaz réels, elle utilise l’équation de Peng-Robinson [6] qui sert à calculer la densité du mélange mais aussi les autres grandeurs thermodynamiques et les coefficients de transport sont calculés à partir de polyn^omes dont la méthode sera présentée au chapitre 2. Ils peuvent alors calculer rapidement la viscosité, la conductivité thermique et les coefficients de diffusion binaire pour des mélanges O2 /H2 dont la pression ambiante est proche de 100 atm. Ils ont également développé des polyn^omes pour un mélange n-heptane/azote pour des milieux dont la pression est comprise entre 40 et 80 atm [3]. Enfin, les conditions limites utilisées sont dérivées des conditions NSCBC de Poinsot et Lele [73] qui tiennent alors compte de la thermodynamique des gaz réels [64]. La configuration utilisée par Bellan et al est une couche de mélange temporelle ce qui leur permet de suivre une structure dans le temps et de la voir grandir. Elle a fait varier la température des différents fluides afin de faire varier les densités et les facteurs de compressibilité de ces fluides. Les valeurs testées sont présentées dans le tableau 1.1. La pression du domaine varie en fonction du mélange choisi (100 bar pour le mélange O2 /H2 , 60 bar pour le mélange C7 H16 /N2 ). Les équations de conservation sont résolues en utilisant un schéma Runge-Kutta explicite du 4e ordre pour l’intégration temporelle et un schéma compact d’ordre 6 combiné à un filtre d’ordre 8 pour les dérivées spatiales [44]. Pour déterminer les fluctuations de pression, elle utilise un formalisme à grand nombre de Mach ; c’est pourquoi les vitesses des fluides dans sa configuration sont importantes (-115 m.s−1 pour l’oxygène et 569 m.s−1 pour l’hydrogène). Les calculs ont été parallélisés en utilisant la bibliothèque MPI ce qui lui 36 La simulation numérique appliquée aux moteurs de fusée permet de simuler un domaine de calcul, une boite de section carrée, dont les dimensions sont 0.291 × 0.291 × 0.1746 m pour le cas le plus contraignant, c’est à dire celui qui présente le rapport de densité le plus élevé. Bellan et al soulignent que l’utilisation des modèles de sous-maille développés pour les écoulements à basse pression ne peuvent ^etre utilisés directement pour les simulations LES supercritiques comme c’est le cas pour les simulations de Yang et al [103], Oefelein [61] et Zong [106]. Le transfert d’énergie sous forme de chaleur et le mélange déterminent la valeur de la richesse, de la température, etc, ce qui influence la combustion. Or, en régime supercritique, le mélange joue un r^ole important car il est prépondérant ; il suffit de regarder le nombre de Lewis de tels écoulements (cf. chapitre 4). Pour l’auteur, le mélange supercritique est un processus fortement anisotrope aux grandes échelles de l’écoulement et il le reste tant que la composition ou la température demeurent non uniformes. Ce comportement, qui n’est pas visible lorsque la pression est faible, devrait ^etre retrouvé avec les simulations LES dans lesquelles les modèles de sous-maille doivent reproduire la dissipation de sous-maille qui ne peut ^etre prise en compte. Ainsi, l’importance du r^ole dominant du mélange dans la modélisation des termes de sous-maille s’effectue en augmentant les effets visqueux comme c’est le cas à basse pression mais cette méthode est inappropriée quand la pression est supérieure à la pression critique. De plus, le fait que le "backscatter" soit largement répandu dans les écoulements supercritiques jette d’avantage de doutes sur l’utilisation répandue de ces modèles de sous-maille. La simulation numérique effectuée par Bellan et al est celle qui, à notre connaissance, détient le plus grand rapport de densité (environ 26) tandis que, pour une DNS classique, ce rapport dépasse rarement 5. Ceci est rendu possible, selon l’auteur, par l’utilisation de la théorie des fluctuations-dissipations qui ajoute des termes dans les équations de transport. Bien qu’un rapport de densité de 26 est encore très éloigné des applications réelles, ce travail reste pionnier pour ce qui est de l’utilisation de la DNS dans les moteurs cryotechniques. D’autres raisons peuvent aussi expliquer ce succès comme le nombre de points dans le domaine et la puissance de calcul mise en œuvre. Une autre raison tient peut-^etre à l’utilisation d’une méthode à Haut Nombre de Mach pour déterminer la valeur de la pression dans le domaine. Or, l’utilisation d’un formalisme à haut nombre de Mach ne s’impose pas pour étudier le mélange en sortie d’injecteur. En effet, les vitesses d’injection des ergols dans la chambre de combustion sont de 100 m.s−1 pour l’hydrogène et 20 m.s−1 pour l’oxygène alors que la vitesse du son dans l’hydrogène est d’environ 1000 m.s−1 et que la vitesse du son dans l’oxygène est supérieure à 200 m.s−1 lorsque la pression est de 100 bar et la température égale à 100 K. C’est pourquoi les vitesses des fluides dans la simulation de Bellan et al sont bien supérieures aux vitesses à la sortie d’un injecteur coaxial car l’utilisation du formalisme à Haut Nombre de Mach nécessite l’utilisation de vitesses proches de celle du son. Quelles sont alors les méthodes qui permettent de déterminer le champ de pression et, parmi ces méthodes, laquelle permettrait de simuler des écoulements dilatable et à faible nombre de Mach ? 1.4 Simulation numérique et détermination du champ de pression 1.4 37 Simulation numérique et détermination du champ de pression Pour réaliser une simulation numérique d’un écoulement, il faut conna^ıtre à chaque instant et en chaque point de l’espace les variables présentes dans les équations de conservation. Les principales grandeurs sont : – la vitesse dans chaque direction, – la température, – la concentration des espèces, – la pression, – la densité. Ces grandeurs permettent aussi de calculer les propriétés de transport, l’enthalpie, la capacité thermique, etc. À partir des équations de transport, la vitesse va ^etre déduite de l’équation de conservation des moments, les fractions massiques par les équations de conservation des espèces et l’enthalpie sera donnée par l’équation de conservation de l’énergie, qui donnera ensuite la température. Il reste deux équations à notre disposition, l’équation de conservation de la masse et l’équation d’état, afin de déterminer deux variables : la densité et la pression. Lorsque l’on résout les équations de Navier-Stokes, et plus particulièrement l’équation du moment, on s’aperçoit que la pression joue un r^ole important. En effet, les dilatations et/ou les compressions qui interviennent dans l’écoulement sont le moteur de la dynamique. Dès lors qu’il existe un différentiel de pression, le fluide se met en mouvement depuis l’endroit dans l’espace où la pression est la plus élevée vers les endroits de plus faibles pressions. Ce phénomène est particulièrement visible en météorologie avec le vent qui est un écoulement d’air depuis les zones de forte pression (anticyclone) vers les zones de basse pression (dépression). Cet écoulement est d’autant plus rapide que le différentiel de pression est important. Et inversement, lorsqu’un fluide en mouvement rencontre un obstacle ou un autre fluide au repos ou un fluide plus dense, la pression dans la zone de contact augmente proportionnellement à la vitesse du fluide. On voit ainsi appara^ıtre le lien de cause à effet qui existe entre la pression et la vitesse et c’est pourquoi il est important de bien modéliser et déterminer le champ de pression dans les simulations numériques. Diverses méthodologies ont alors été développées et permettent de traiter les différents cas de figure rencontrés en simulation numérique. Nous allons par la suite présenter ces méthodes 38 La simulation numérique appliquée aux moteurs de fusée s’appliquant aussi bien pour des écoulements subsoniques, supersoniques, compressibles et incompressibles mais on s’intéressera d’avantage aux méthodes dites à faible nombre de Mach (ou couramment appelées Low Mach) qui s’appliquent à des écoulements de faible vitesse et dilatables, après avoir présenter rapidement la méthode compressible notamment utilisée par Bellan et al. 1.4.1 Des schémas de résolution basés sur la densité ou la pression Il existe une relation qui permet de lier la pression aux autres variables physiques (densité, température, concentration) : l’équation d’état. En résolvant l’équation de conservation de la masse, on extrait la valeur du champ de densité. Connaissant la température, la densité et les fractions massiques, on obtient la valeur de la pression en chaque point. Cette manière de procéder est appelée méthode density based car dans ce cas, la densité est une variable primitive et on conna^ıt son équation d’évolution. Il en résulte la présence d’ondes acoustiques émises par les fluctuations de pression. Ces ondes acoustiques sont déterminées directement à partir du champ de pression et on peut suivre leur évolution dans le milieu à la vitesse c + U , avec c la vitesse du son et U celle de l’écoulement. Mais comme pour tout schéma numérique, il faut respecter des conditions de stabilité. Ces conditions sont basées sur les échelles de temps qui imposent qu’une onde acoustique ne peut se déplacer de plus d’un pas ∆ x du maillage pendant un pas de temps ∆ t. Les deux échelles de temps liées à la dynamique de l’écoulement sont le temps acoustique (ta = L/c) et le temps convectif (tc = L/U ) avec L la longueur du domaine. Si on introduit le nombre de Mach Ma tel que Ma = U/c, alors ta = Ma L/U est très inférieur à tc pour des écoulements dont le nombre de Mach est faible. Le pas de temps, déterminé à partir des conditions CFL, est alors très faible et les temps de calcul peuvent ^etre importants. Ces schémas sont donc limités pour des applications avec des nombres de Mach proches de 1 ou plus. Dans ce cas, ta et tc sont du m^eme ordre de grandeur. Certains chercheurs ont essayé d’adapter ces schémas pour des écoulements à bas nombre de Mach. Ainsi, pour résoudre ce problème, il peut ^etre utile d’intégrer un préconditionnement permettant d’éliminer la disparité des échelles temporelles [102]. D’autres chercheurs ont découplé la vitesse de l’écoulement et la vitesse des ondes sonores afin de les résoudre séparément comme Desjardins et al [29]. On appelle ces méthodes des méthodes All Mach qui permettent aussi bien de traiter des configurations à faible nombre de Mach et à haut nombre de Mach. Enfin, pour s’affranchir de ces problèmes, Chorin [19] (1968) et Temam [92] (1969) ont décidé de s’affranchir de la résolution des ondes acoustiques. Leurs travaux ont permis d’introduire une nouvelle méthode de résolution : les schémas basés sur la pression. Ces schémas numériques ont initialement été développés pour des écoulements de fluides incompressibles. On parle d’écoulements incompressibles lorsque la densité du fluide ne varie pas dans l’espace et dans le temps. Or, dans la nature, tous les fluides sont physiquement compressibles ; des variations de masse volumique pouvant provenir des effets de compressibilité 1.4 Simulation numérique et détermination du champ de pression 39 (variations de pression) ou de variations de température. Le premier modèle mathématique utilisant l’approximation incompressible est l’équation de Bernoulli (1730). Ce dernier a développé cette approche lorsqu’il étudiait la circulation du sang dans le corps humain. Dans le cas des fluides supercritiques, la moindre variation d’un paramètre physique entra^ıne une grande variation de densité ; l’hypothèse d’incompressibilité ne peut alors ^etre utilisée. Le modèle à faible nombre de Mach tente donc d’établir le lien entre les écoulements à haut nombre de Mach et incompressibles. Du point de vue mathématique, la différence entre les équations de Navier-Stokes régissant les écoulements incompressibles et Low Mach réside dans le fait que dans le dernier cas la divergence nulle de la vitesse (∇.~u = 0) est remplacée par l’équation de continuité. Le mécanisme physique lié à la faible valeur du nombre de Mach implique que les ondes de pression se déplacent très rapidement dans le domaine comparé à l’écoulement. Ainsi, un équilibre très rapide de la pression se met en place dans l’écoulement. Il devient alors possible de considérer la pression thermodynamique comme étant constante. Cette approximation, qui est décrite ci-dessous, permet d’éliminer les ondes acoustiques tout en tenant compte des variations de volume. 1.4.1.1 Les équations appliquées aux configurations à faible nombre de Mach L’approximation à faible nombre de Mach s’obtient en développant les variables de l’écoulement en série de puissance du paramètre γMa2 sous la forme : ρ x, t, γMa2 T x, t, γMa2 Ui x, t, γMa2 Yk x, t, γMa2 = ρ(0) (x, t) + γMa2 ρ(1) (x, t) + O = T (0) (x, t) + γMa2 T (1) (x, t) + O (0) (1) = Ui (x, t) + γMa2 Ui (x, t) + O (0) (1) = Yk (x, t) + γMa2 Yk (x, t) + O γMa2 2 2 2 (1.6) γMa (1.7) γMa (1.8) γMa (1.9) 2 2 2 2 40 La simulation numérique appliquée aux moteurs de fusée Cp . Ces développements asymptotiques sont insérés dans les avec, en condition gaz parfait, γ = C v équations de Navier-Stokes développées sous forme adimentionnelle et détaillées ci-dessous : ∂ρ ∂ρUi + = 0 ∂t ∂xi ∂ρ Ui ∂ρ Ui Uj ∂P 1 ∂ σij + = − + ∂t ∂xi ∂xi Re ∂xi ∂T ∂T 1 ∂ ∂T γ − 1 ∂P ρ Cp + ρ Ui Cp = k + + ∂t ∂xi Re Pr ∂xi ∂xi γ ∂t Ne X ∆h0k ẇk k=1 ∂ ∂Yk 1 ∂Yk + ρ Ui = ρ ∂t ∂xi Re Pr ∂xi ∂Yk ρDkm ∂xi (1.10) (1.11) (1.12) − ẇk (1.13) auxquelles il convient d’ajouter l’équation d’état des gaz parfaits : P = ρT γMa2 (1.14) En introduisant les équations 1.6 et 1.7 dans l’équation d’état 1.14, on déduit le développement en série de puissance du paramètre γMa2 pour la pression : 1 (0) (1) 2 2 P = P + P + O γMa (1.15) γMa2 La formulation des équations à faible nombre de Mach est déduite en regroupant les termes de plus faible ordre en γMa2 (avec l’exposant (0) ) : (0) ∂ρ(0) ∂ρ(0) Ui + = 0 (1.16) ∂t ∂xi (0) (0) (0) (0) ∂ρ(0) Ui uj ∂ρ(0) Ui ∂P (1) 1 ∂ σij + = − + (1.17) ∂t ∂xi ∂xi Re ∂xi ∂T (0) ∂T (0) 1 ∂ ∂T (0) γ − 1 ∂P (0) (0) (0) (0) ρ Cp + ρ Ui Cp = k + + ∂t ∂xi Re Pr ∂xi ∂xi γ ∂t Ne X ∆h0k ẇk (1.18) k=1 (0) (0) ∂Yk ρ ∂t + (0) (0) ∂Yk ρ(0) Ui ∂xi 1 ∂ = Re Pr ∂xi P (0) = ρ(0) T (0) (0) ∂Y ρ(0) Dkm k ∂xi ! − ẇk (1.19) (1.20) 1.4 Simulation numérique et détermination du champ de pression 41 L’idée de base derrière ces développements asymptotiques est de réduire artificiellement la représentation numérique de la vitesse du son. Cela s’illustre avec le terme de pression qui est décomposé en une composante uniforme spatialement P (0) qui est la pression thermodynamique et une composante variable P (1) qui peut ^etre interprétée comme étant la pression dynamique. On note que P (0) est constant en espace mais peut varier dans le temps, par exemple en milieu fermé. Par conséquent, les effets des ondes acoustiques sont filtrés du champ de l’écoulement puisque la pression dynamique est découplée des fluctuations de température, de masse volumique et de concentration. Ce type d’approche fait partie des schémas basés sur la pression (ou appelés Pressure Based). La pression dynamique devient une valeur primitive et est résolue par une équation de type équation de Poisson et la densité est calculée par le biais d’une équation d’état et de la pression thermodynamique. 1.4.1.2 Résolution des méthodes à faible nombre de Mach D’un point de vue mathématique, la simulation d’écoulement à faible nombre de Mach est similaire à celle des écoulements incompressibles. D’une part, dans l’équation du moment, la masse volumique est indépendante de la pression dynamique et d’autre part, le champ de vitesse satisfait une contrainte équivalente à la condition de divergence nulle des équations incompressibles. Par conséquent, l’utilisation d’une méthode numérique qui provient de la classe des solveurs incompressibles semble ^etre un choix naturel pour résoudre ces problèmes où les vitesses restent petites devant la vitesse du son. L’algorithme de résolution dit de projection, qui est le plus utilisé pour les méthodes à faible nombre de Mach, est décrit ci-après et se déroule en deux étapes, une étape de prédiction et une étape de correction : 1. On résout les équations pour l’énergie et les fractions massiques afin d’obtenir les champs de température et de concentration pour le pas de temps suivant. 2. Avec l’équation d’état on calcule le champ de densité du pas de temps suivant. 3. Prédiction : on ne tient pas compte du gradient de pression (∇P = 0) afin d’obtenir une vitesse approchée U ∗ tel que : ∂ρ Ui Uj ∂ τij ∗ n + (1.21) (ρ Uj ) − (ρ Uj ) = δt − ∂xi ∂xi 4. On cherche le champ de pression en accord avec l’équation de continuité en partant de l’équation : ρ Uin+1 − ρ Ui∗ = −δt ∂P (1) ∂xi (1.22) 42 La simulation numérique appliquée aux moteurs de fusée et ainsi, on obtient une équation de Poisson en appliquant l’opérateur divergence de chaque coté de l’équation précédente telle que : ∂ 2 P (1) ∂ρ Uin+1 ∂ρ Ui∗ − = −δt (1.23) ∂xi ∂xi ∂x2i 5. À partir de l’équation de la conservation de la masse, on obtient la relation : n+1 ∂ρ Uin+1 ∂ρ =− ∂xi ∂t d’où : ∂ 2 P (1) = ∂x2i et finalement : ∂ 2 P (1) = ∂x2i ∂ρ n+1 ∂t + δt ∂ρ Uin ∂xi ∂ρ n+1 ∂t + δt ∂ + ∂xj ∂ρ Ui∗ ∂xi ∂ρ Ui Uj ∂ τij − + ∂xi ∂xi (1.24) (1.25) (1.26) 6. Correction : on trouve la valeur de U n+1 à partir de l’équation des moments pour que le champ de vitesse corresponde au champ de pression associé : ρ U n+1 − ρ U ∗ n+1 = −∇P (1) ∆t (1.27) Il est reporté dans la littérature que ces types d’algorithme demeurent instables si le rapport de densité devient trop grand ; pour certains la limite serait un rapport de densité égal à 3 mais pour des simulations d’écoulements dilatables. En effet, il existe des simulations, utilisant l’approximation d’incompressibilité des fluides, d’écoulement liquide/gaz et dans ce cas, le rapport de densité entre les deux phases est proche de 1000 [57]. Or l’utilisation de fluides incompressibles ne permet pas de faire varier la densité. Elle reste constante et ne dépend pas de la température, ni de la concentration des différentes espèces mais uniquement de la phase (ρgaz ou ρliq ). Il semblerait également, selon certaines études, que les schémas de discrétisation spatiale et d’intégration temporelle jouent également un r^ole important. Les problèmes de stabilité venant de la modélisation de la dérivée temporelle de la densité, Cook et Riley [21] ont testé différents schémas de dérivée et ont trouvé qu’un schéma d’ordre 2 pour le calcul de la dérivée temporelle était plus stable qu’un schéma d’ordre 3 et plus généralement qu’un schéma d’ordre pair est plus stable qu’un schéma d’ordre impair. Afin de remédier à ces problèmes et simuler des écoulements présentant des rapports de densité plus important, des chercheurs ont développé d’autres méthodes. Quatre de ces méthodes sont décrites dans la partie suivante et présentées plus en détails en annexe D. 1.4 Simulation numérique et détermination du champ de pression 1.4.2 43 Détails de quelques méthodes utilisant l’approximation à faible nombre de Mach Les méthodes à faible nombre de Mach que nous présentons dans cette partie permettent, d’après leurs auteurs, de simuler des écoulements dilatables présentant des rapports de densité supérieurs aux différentes méthodes que l’on peut trouver dans la littérature ou qui sont considérés comme étant plus stables. En général, le rapport de densité maximum qu’ils ont testé est proche de 10. Il n’a pas été trouvé dans la littérature de simulations Low Mach à des pressions supérieures à la pression atmosphérique. Autre constatation : l’équation d’état utilisée pour les simulations est toujours l’équation d’état des gaz parfaits ; la pression étant faible, l’utilisation d’une équation d’état pour les gaz réels n’est pas nécessaire. Les méthodes qui sont présentées ci-dessous sont détaillées en annexe D. Tout d’abord, nous allons présenter la méthode développée par Pierce et Moin [70]. Initialement développée par Kim et Moin [45] pour des écoulements à densité constante, cette méthode a été étendue aux cas dilatables. C’est une extension de la méthode de projection classique mais appliquée à un maillage décalé dans le temps et dans l’espace. Ainsi, la vitesse se trouve décalée de la densité en fonction de leur r^ole dans l’équation de la continuité. Les autres variables, comme la pression, sont situées au m^eme point que la densité. L’avantage de décaler la vitesse en temps et en espace est que cette méthode permet d’accro^ıtre la stabilité et la précision de l’équation de continuité. En effet, on utilise les schémas de différences centrées sur un pas ∆ au lieu de 2∆ pour la dérivée temporelle de la densité et la dérivée spatiale pour la vitesse. De plus, le gradient de pression utilisé dans l’équation du moment, est localisé sur le m^eme nœud que la vitesse, ce qui améliore la stabilité. L’autre intér^et de cet algorithme est la méthode de résolution. L’avancement en temps s’effectue par une méthode itérative afin de vérifier que la masse soit conservée. Pierce signale qu’en itérant seulement deux fois cela permet d’obtenir une précision d’ordre 2 en temps. En pratique, un écoulement présentant un faible gradient de densité aura besoin de 2 ou 3 itérations alors que pour des écoulements avec des gradients de densité plus importants, 4 ou 5 itérations seront nécessaires. L’algorithme de résolution est détaillé en annexe où on trouvera également les détails des autres méthodes. La configuration testée par Pierce est un jet coaxial dans un maillage cylindrique à trois dimensions. Les différentes simulations ont pour but de tester différents modèles de chimie (quatre modèles en tout). Cependant, le rapport entre la température maximum et minimum n’excède pas 2 d’où un très faible rapport de densité. Les équations sont résolues dans un solveur LES. Pierce note que la densité déterminée à partir de l’équation d’état n’est pas équivalente, numé- =0 riquement parlant, à la densité déterminée par l’équation de conservation de la masse Dρ Dt à cause des erreurs dues à l’approximation numérique de l’opérateur dérivée matérielle. En condition bas nombre de Mach, la densité est déterminée par l’équation d’état, l’équation de continuité agissant comme une contrainte sur la vitesse entra^ınant une divergence du champ de vitesse. Ces problèmes ont été étudiés par Nicoud [59]. Il explique qu’il est primordial que la masse soit conservée ainsi que l’énergie cinétique. D’après lui, un schéma numérique qui 44 La simulation numérique appliquée aux moteurs de fusée conserve l’énergie cinétique ne peut ^etre instable. Nous allons présenté l’algorithme qu’il a développé en utilisant une équation de Poisson avec des coefficients variables. La méthode introduite dans le code de DNS utilisé par Nicoud a permis de simuler un écoulement de canal plan en 3 D avec des murs isothermes dont le rapport température varie de 1.01 jusqu’à 10. L’auteur signale ne pas avoir testé des rapports de température supérieurs car cela n’était pas utile en combustion. C’est une simulation numérique directe avec un maillage 120×100×120. L’intégration temporelle se fait par un schéma semi-implicite AdamsBrashforth/Crank-Nicolson et il utilise un maillage décalé. Pour la discrétisation spatiale, l’auteur utilise un schéma différence centrée et une interpolation du quatrième ordre pour les variables situées sur les nœuds intermédiaires (comme la densité) ce qui lui assure une grande précision. Les autres intér^ets de cette méthode sont l’utilisation d’une équation de Poisson à coefficients variables et la détermination du champ de vitesse (cf Annexe D). Dans son manuscrit de thèse, Benteboula [10] présente différentes procédures adaptées aux écoulements dilatables à faible nombre de Mach en testant différents schémas d’intégration temporelle. Quatre algorithmes sont présentés : – Un schéma explicite Adams-Brashforth. Cet algorithme est bien adapté pour des simulations dont le rapport de densité reste inférieur à 3. – Un schéma prédicteur-correcteur Adams-Brashforth/Adams-Moulton pour lequel de plus grands rapports de densité semblent accessibles (jusqu’à 10 dans la thèse) en utilisant un algorithme dans lequel l’étape de prédiction utilise deux sous pas de temps. L’intégration en temps est effectuée avec un schéma Adams-Brashforth d’ordre 2. La correction est basée sur une intégration de type Crank-Nicolson avec inversion de l’équation de poisson pour la pression à chaque étape. – Un schéma semi-implicite Adams-Brashforth/Crank-Nicolson avec schéma d’Euler explicite pour l’équation de la masse volumique. Pour cet algorithme, le schéma d’avancement en temps pour l’équation de continuité est le m^eme et une méthode à pas fractionnaire avec un schéma semi implicite est appliquée à l’équation de quantité de mouvement. – Un schéma explicite Adams-Brashfort avec schéma d’Euler explicite pour l’équation de la masse volumique. L’auteur a implémenté ces algorithmes dans son code de calcul afin de simuler un anneau de vorticité à masse volumique variable. Des simulations avec de grands rapports de masse volumique allant de 0.1 à 10 ont été réalisées avec succès en configuration tridimensionnelle en coordonnée cylindrique. Elle utilise un maillage décalé de type MAC (Marker And Cell). La discrétisation spatiale est assurée par un schéma différence finie tandis que la discrétisation temporelle dé- 1.4 Simulation numérique et détermination du champ de pression pend de l’algorithme utilisé. Selon Benteboula, les maillages décalés présentent des propriétés mathématiques et physiques qui les rendent attractifs pour résoudre les équations de NavierStokes sous leurs formes incompressibles. En effet, ils n’engendrent pas d’oscillations parasites de pression, évitant ainsi d’introduire des termes de stabilisation pour la pression. Ces propriétés restent valables dans le cas d’écoulement à faible nombre de Mach. Ils sont souvent utilisés en combinaison avec une méthode d’intégration à pas de temps fractionnaire et ont l’avantage de faciliter le couplage entre les champs de pression et de vitesse. Enfin, Lessani et Papalexandris ont développé une méthode similaire à la méthode de projection en ajoutant une correction supplémentaire. Pour tester leur modèle, les auteurs ont simulé un écoulement de canal avec présence d’un gradient de température dans un maillage colocalisé en trois dimensions dans un solveur LES. La discrétisation spatiale est assurée en utilisant un schéma différence centrée d’ordre 2 ou 4 pour les termes de diffusion tandis que les termes convectifs sont modélisés via une méthode de flux auxiliaires d’ordre 2 ou 4 également. Les équations de conservation sont résolues sous forme discrète exceptée l’équation du moment qui est résolue sous forme conservative. L’algorithme de calcul est le suivant : – Prédiction : 1. Calcul de la température T ∗ à partir de l’équation de l’énergie. 2. Calcul de ρ∗ à partir de l’équation d’état. 3. Détermination de P (1)∗ et U ∗ en utilisant la méthode de projection classique. 4. Calcul de la fraction massique Yi∗ avec l’équation de conservation des espèces. – Correction : 1. Calcul de de la température T n+1 à partir de l’équation de l’énergie. 2. Calcul de ρn+1 à partir de l’équation d’état. 3. Détermination de P (1)n+1 et U n+1 en utilisant la méthode de projection classique. 4. Calcul de la fraction massique Yin+1 avec l’équation de conservation des espèces. 5. La température est réintégrée entre le temps n et n+1 en réeffectuant les étapes de n à ∗ en utilisant ρn+1 , U n+1 et T n puis de ∗ à n + 1 comme dans l’étape de correction. La réintégration de la température permet, selon les auteurs, de mieux conserver l’énergie. Initialement, cette réintégration a été proposée pour toutes les équations de conservation. L’auteur signale également ne pas avoir rencontré de problèmes liés aux instabilités notamment gr^ace à l’utilisation de la technique de prédiction-correction à pas de temps fractionnaire, gr^ace également à l’utilisation des équations de conservation pour déterminer les variables de l’écoulement 45 46 La simulation numérique appliquée aux moteurs de fusée au lieu de leur dérivée temporelle et enfin par l’utilisation de cette séquence particulière pour le calcul des grandeurs thermodynamiques. Le code numérique utilisé permet ainsi de tenir de forts gradients de température (et donc de densité) avec un rapport de 9, au moins. Il signale qu’il existe tout de m^eme une limite qui dépend de la résolution spatiale et temporelle ainsi que des valeurs des nombres de Reynolds, Prandtl et Schmidt. De m^eme, Sandoval signale également qu’en baissant le nombre de Reynolds il est possible d’augmenter le rapport de densité. À travers cette première partie, nous avons présenté les difficultés inhérentes aux simulations numériques appliquées au cas de l’injection et du mélange dans un moteur de fusée. Le faible nombre d’expériences, permettant de reproduire en laboratoire les conditions présentent au cœur de la chambre de combustion, limitent les connaissances des scientifiques dans le domaine et c’est pourquoi des études numériques ont été et sont actuellement mises en place par les agences spatiales. Certaines de ces simulations numériques ont été détaillées que ce soient des simulations LES, DNS ou RANS. Cinq simulations différentes, regroupées au sein d’une m^eme étude, ont été comparées afin d’en extraire un comportement global. Les résultats issus de cette étude montrent que l’utilisation des codes LES ou RANS ne présentent aucune similarité dans les résultats. Une des causes serait due aux modèles de sous-maille, utilisés pour des applications à haute pression alors qu’ils ont été initialement développés pour des cas à faible pression. Les premiers tests montrent donc l’importance de mieux conna^ıtre les différentes inconnues du problème. Pour cela, l’approche DNS est un outil précieux (comme Bellan et al). Les vitesses d’injection des réactifs étant faibles par rapport à la vitesse du son, notre choix c’est donc porté sur un formalisme à faible nombre de Mach. Enfin, une dernière difficulté vient du formalisme à faible nombre de Mach appliqué à des écoulements présentant de forts gradients de densité. Comme on l’a présenté en dernière partie, les rapports maximum de densité testés en formulation Low Mach n’excèdent pas 10 alors que le rapport de densité, dans les conditions qui nous intéressent, est supérieur à 100. Mais avant de présenter le code de simulation numérique directe utilisé pour cette étude, nous détaillons dans le deuxième chapitre les modèles qui ont été introduits afin de calculer les grandeurs thermodynamiques (densité, enthalpie, capacités thermiques, etc) ainsi que les coefficients de transport utilisés dans les équations de conservation (viscosité, conductivité thermique, coefficients de diffusion d’espèces). En effet, dans les conditions spécifiques aux moteurs fusée, les lois des gaz parfaits ne sont plus utilisables et il a fallu les remplacer par des modèles plus précis, surtout pour le calcul de la densité. Chapitre 2 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée À travers ce chapitre, on présente les différents modèles qui ont été introduits dans le code de simulation afin de calculer les variables thermodynamiques et les grandeurs physiques nécessaires pour résoudre les équations de transport. Toutes ces grandeurs, déjà présentes dans le code Asphodèle, sont calculés mais uniquement avec des modèles gaz parfaits. Or, l’augmentation de la pression jouant un r^ole important à l’échelle moléculaire, les effets de gaz réels ne peuvent par conséquent plus ^etre négligés. Afin de pouvoir ^etre utilisées dans les conditions qui nous intéressent, c’est à dire dans des milieux à pression ambiante élevée, il a fallu dans un premier temps revoir toutes les lois déjà intégrées au code en commençant par les grandeurs thermodynamiques comme la densité, l’enthalpie, etc. Ces lois sont d’abord présentées dans le cas d’une espèce pure et dans un deuxième temps, nous étudierons le cas du mélange binaire en introduisant les règles de mélange correspondantes. Nous déterminerons ensuite l’équilibre liquide-vapeur d’un mélange binaire d’un milieu à pression élevé afin de conna^ıtre les conditions d’existence d’une phase (liquide, vapeur ou supercritique). La dernière partie de ce chapitre est consacrée aux coefficients de transport et aux choix qui ont été les n^otres pour l’étude du mélange O2 /H2 . 2.1 2.1.1 Modélisation des grandeurs thermodynamiques La densité et les équations d’état Comme on peut l’observer sur un diagramme de phase (figure 2), un corps pur se trouve dans un état plut^ot qu’un autre en fonction de variables thermodynamiques comme la tempéra- 48 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée ture, la pression extérieure ou le volume occupé par le corps en question. Il existe une relation qui permet de relier ces variables entre elles : cette relation est connue sous le nom d’équation d’état. C’est à partir de l’équation d’état que sera déterminée la masse volumique qui sera à son tour utilisée dans les équations de transport, pour le calcul des autres grandeurs thermodynamiques, pour le calcul des coefficients de transport, etc. L’utilisation d’une équation pour déterminer les propriétés volumétriques et thermodynamiques des corps purs et des mélanges de corps purs fait l’objet de recherches par les thermodynamiciens depuis plus d’un siècle. En effet, depuis que Van der Waals a proposé sa célèbre équation d’état, un nombre très important de publications a vu le jour. Avec le développement de l’informatique, l’utilisation d’expressions analytiques de plus en plus complexes permet la prédiction des propriétés thermodynamiques avec d’avantage de précision. Voici une présentation de plusieurs familles d’équations d’état disponibles dans la littérature. 2.1.1.1 Équation d’état des gaz parfaits L’équation d’état la plus connue est l’équation des gaz parfaits qui découle de la loi de Boyle-Mariotte : Pv = RT (2.1) où P est la pression du gaz, v son volume molaire, T sa température et R est la constante universelle des gaz parfaits. Un gaz parfait est, par définition, un gaz dans lequel les interactions entre les molécules qui le constituent sont nulles (interactions électromagnétiques, potentielles, etc). Ces molécules doivent donc ^etre suffisamment éloignées les unes des autres ; la pression du milieu doit ^etre relativement faible. Cette équation d’état ne s’applique qu’aux phases gazeuses très diluées. Il a donc fallu introduire de nouvelles relations pouvant s’appliquer aussi bien aux gaz dilués qu’aux phases liquides qui sont bien plus denses. 2.1.1.2 Équations d’état cubiques La première grande équation d’état des gaz réels est l’équation de Van Der Waals proposée en 1873. Cette équation fait partie de la famille des équations d’état dites cubiques dont la forme générale est la suivante : P = a RT − 2 v − b v + u b v + w b2 (2.2) où v est le volume molaire et les paramètres u et w sont des constantes qui caractérisent les différentes équations d’état (cf. tableau 2.1). Contrairement à l’équation des gaz parfaits qui ne tient pas compte des interactions entre les atomes ou les particules, les équations cubiques 2.1 Modélisation des grandeurs thermodynamiques 49 corrigent cette approximation et peuvent ainsi traiter aussi bien l’état liquide que gazeux. Cette correction est contenue dans les paramètres a et b de l’équation 2.2. C’est Van der Waals qui a proposé ces modifications par rapport à la loi des gaz parfaits en tenant compte des interactions d’attraction et de répulsion entre les molécules. Dans un fluide, les molécules, ayant une certaine taille et vu leur très grand nombre N , occupent un volume propre : Vb = N × b avec b le covolume qui représente le volume occupé par une molécule. De plus, au sein du fluide il existe des interactions mutuelles d’attraction, d’où l’introduction d’un terme correctif appelé pression interne a. Ces deux paramètres dépendent de la nature du gaz et de l’équation d’état considérée mais également des température et pression critiques notées respectivement Tc et Pc et, pour certains, du facteur acentrique de Pitzer ω. Leurs expressions pour les différentes équations d’état sont résumées dans le tableau 2.1 où Tr et Pr sont définis de la manière suivante : P Pc T = Tc Pr = (2.3) Tr (2.4) En introduisant un nouveau paramètre Z, appelé le facteur de compressibilité défini par la relation : Z= Pv RT (2.5) et en remplaçant v dans l’équation 2.2 par l’expression 2.5, on peut réécrire l’équation d’état sous la forme d’un polyn^ome du troisième degré (d’où le nom d’équation cubique) : Z 3 − (1 + B − u B)Z 2 + (A + w B 2 − u B − u B 2 )Z − A B − w B 2 − w B 3 = 0 (2.6) avec A et B tels que : A = aP R2 T 2 (2.7) B = bP RT (2.8) Le facteur de compressibilité précédemment introduit représente l’écart entre l’équation d’état des gaz réels et le modèle des gaz parfaits. Dans le cas des gaz parfaits, Z est égal à 1 ce qui permet de retrouver l’expression de la loi de Boyle-Mariotte (équation 2.1). Van der Waals a constaté que pour des fluides simples avec des molécules sphériques comme les gaz rares et le méthane, le facteur de compressibilité ne dépend que des paramètres réduits Tr et Pr tels que : Z = f (Tr , Pr ) (2.9) 50 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Équation u w a b Van der Waals 0 0 27 R2 Tc2 64Pc R Tc 8Pc Redlich-Kwong 1 0 0.42748 R2 Tc2.5 Pc T 0.5 0.08664 R Tc Pc 0.42748 R2 Tc2 [1 + f (ω)(1 − Tr0.5 )]2 Pc Redlich-Kwong-Soave 1 0 avec f (ω) = 0.48 + 1.574 ω − 0.176 ω 2 0.45724 R2 Tc2 [1 + f (ω)(1 − Tr0.5 )]2 Pc Peng-Robinson 2 -1 avec f (ω) = 0.37464 + 1.54226 ω − 0.26992 ω 2 0.08664 R Tc Pc 0.07780 R Tc Pc TAB . 2.1 – Les différentes équations d’état cubiques. Ainsi, toutes substances ayant les m^emes coordonnées réduites (Tr , Pr ) auront le m^eme facteur de compressibilité Z : c’est la loi des états correspondants. Cependant, pour des molécules non sphériques, il a été constaté une déviation par rapport à la loi des états correspondants, d’où la nécessité d’introduire un troisième paramètre qui tient compte de la non sphéricité de la molécule. Plusieurs paramètres ont été proposés mais le plus utilisé demeure le facteur acentrique de Pitzer ω [71, 72] défini par la relation : ω = − log Prsat Tr =0.7 − 1 (2.10) avec : Prsat = P sat Pc (2.11) Prsat correspond à la pression de vapeur saturante réduite calculée à la température réduite 2.1 Modélisation des grandeurs thermodynamiques 51 Tr = 0.7. Le facteur de compressibilité s’exprime alors par la relation suivante : Z = Z (0) (Pr , Tr ) + ω Z (1) (Pr , Tr ) (2.12) Le premier terme de cette égalité Z (0) représente le facteur de compressibilité pour une molécule sphérique alors que Z (1) exprime la déviation par rapport à la sphéricité de la molécule. Pitzer et al ont tabulé Z (0) et Z (1) comme des fonctions de Pr et Tr [72]. Diverses modifications et extensions ont ensuite été apportées et présentées dans le livre de Reid et al [77]. Toutes les équations cubiques sont des améliorations de celle de Van der Waals. Dans le but de mieux représenter les propriétés volumétriques des fluides, Redlich et Kwong [76] ont proposé une modification empirique du terme d’attraction de Van der Waals en introduisant une variation du paramètre a avec la température (cf. tableau 2.1). Ceci permet d’améliorer le calcul des masses volumiques, en particulier en phase vapeur. Par contre, les prédictions de la masse volumique liquide restent médiocres. Cependant, on a remarqué que les équations d’état cubiques à deux paramètres ne peuvent représenter avec une précision satisfaisante à la fois le comportement volumétrique et les tensions de vapeur, et qu’il convient de choisir une priorité. C’est ce qu’explique Soave [87] en 1972 qui a appliqué l’équation d’état de Redlich-Kwong au calcul des tensions de vapeur des hydrocarbures en modifiant l’expression du paramètre a devenu fonction de la température et du facteur acentrique de Pitzer ω. En 1976, Peng et Robinson [69] apportent en plus de la modification du terme d’attraction a, une nouvelle expression pour le terme de répulsion b. Le progrès est sensible pour le calcul des masses volumiques en phase liquide. En outre, le facteur de compressibilité critique est mieux estimé. Les équations de Peng-Robinson (PR) et de Soave-Redlich-Kwong (SRK) sont largement utilisées dans l’industrie, particulièrement pour le raffinage. Leurs avantages résident dans le fait qu’elles nécessitent peu de données expérimentales (les coordonnées critiques et le facteur acentrique), un temps de simulation relativement court et surtout qu’elles conduisent à une bonne estimation des équilibres liquide-vapeur. Par ailleurs, ces équations présentent d’importantes limitations ; par exemple, les densités des liquides ne sont pas correctement évaluées. Ceci est observable sur les figures 2.1. On remarque sur les graphes que le domaine d’application des équations cubiques est limité aux zones relativement diluées. Dans cette zone, les résultats obtenus avec l’équation de Peng-Robinson et, dans une moindre mesure, avec celle de Redlich-Kwong se superposent aux données extraites de NIST [63]. Il en est de m^eme pour l’équation de Redlich-Kwong-Soave. Dans la phase dense, les résultats sont plus contrastés ; Peng-Robinson surévalue légèrement la masse volumique tandis que pour Redlich-Kwong c’est le contraire. Les équations de Redlich-Kwong-Soave et Peng-Robinson sont les mieux adaptées pour calculer la densité en phase dense comme en phase légère. Ce sont d’ailleurs les plus utilisées. Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée 1600 70 equation de Soave equation de Peng-Robinson equation de Redlich-Kwong Donnees NIST 1400 equation de Soave equation de Peng-Robinson equation de Redlich-Kwong Donnees NIST 60 1200 50 rho (kg/m3) 1000 rho (kg/m3) 52 800 40 30 600 20 400 10 200 0 0 200 400 600 800 1000 1200 1400 1600 1800 2000 0 0 200 400 600 800 T 1000 1200 1400 1600 1800 2000 T H2 O2 F IG . 2.1 – Influence de l’équation d’état sur le calcul de la masse volumique pour une pression de 120 bar. Équation d’état 1 bar 100 bar 400 bar Redlich-Kwong-Soave modifiée Redlich-Kwong-Soave Peng-Robinson 1.03 1.02 1.02 1.04 × 102 1.07 × 102 1.11 × 102 3.26 × 102 3.21 × 102 3.69 × 102 TAB . 2.2 – Masse volumique (en kg/m3 ) d’un mélange équimolaire O2 /H2 à 200 K pour différentes pressions. Il est également possible de comparer ces résultats à certains résultats extraits de la littérature. Vigor Yang [102], qui a utilisé une équation d’état du type Redlich-Kwong-Soave modifiée par Graboski et Daubert, présente des calculs de masse volumique pour différentes pressions et une température de 200 K pour un mélange équimolaire O2 /H2 (tableau 2.2). On remarque que quelque soit l’équation choisie, les résultats obtenus sont sensiblement les m^emes excepté pour des pressions très élevées. Plusieurs équipes de chercheurs ont essayé de corriger les problèmes rencontrés avec les équations cubiques. De nombreuses modifications ont alors été apportées sur les équations cubiques en jouant sur les termes d’attraction et de répulsion ce qui a abouti à un nombre élevé d’équations d’état. Ainsi, on estime à 150 le nombre d’équations cubiques à la fin des années 1980 pour un nombre total d’environ 400 équations d’état [96]. Bien que notre choix ce soit porté sur les équations cubiques de Redlich-Kwong-Soave et de Peng-Robinson, nous présentons également deux autres familles d’équation d’état que sont les équations à trois paramètres critiques et les équations du Viriel qui ont aussi été très utilisées. 2.1 Modélisation des grandeurs thermodynamiques 2.1.1.3 53 Deux autres familles d’équations d’état Équations d’état à trois paramètres critiques : Ce sont aussi des équations analytiques mais elles sont plus complexes que les équations cubiques car elles comportent un troisième paramètre, en plus de la pression critique et de la température critique, qui est le facteur de compressibilité critique Zc , défini par la relation : Zc = Pc vc R Tc (2.13) La forme générale de ces équations d’état est la suivante : P = a RT − v − b v (v − b) + c (v − b) (2.14) On voit appara^ıtre dans cette équation le troisième coefficient c. Ainsi les expressions des deux coefficients a et b se trouvent modifiées car elles prennent désormais en compte la valeur de Zc . Voici leurs expressions : R2 Tc2 α (TR ) Pc2 R Tc b = (0.02207 − 0.20868 Zc ) Pc R Tc c = (0.57765 − 1.87080 Zc ) Pc h i2 p α (TR ) = 1 + f (ω) (1 − TR ) a = (0.66121 − 0.76105 Zc ) f (ω) = 0.46283 + 3.58230 ω Zc + 8.19417 (ω Zc )2 (2.15) (2.16) (2.17) (2.18) (2.19) Tout comme les équations cubiques, ces équations s’écrivent également en fonction du coefficient de compressibilité afin de retrouver une forme cubique : Z 3 + (C − 1) Z 2 + A − 2 B C − B 2 − (B + C) Z + B 2 C + B C − A B = 0 (2.20) avec : aP (2.21) R2 T 2 bP B = (2.22) RT cP C = (2.23) RT Cette équation, avec les paramètres a, b et c écrits sous cette forme, est l’équation développée par Patel et Teja [68] mais il existe d’autres équations à trois paramètres critiques comme celles de Benedict-Webb-Rubin [9]. A = 54 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Équation du Viriel : Les équations d’état qui ont été proposées précédemment sont toutes des relations empiriques. La seule équation d’état qui reste fondée sur des bases théoriques est l’équation du Viriel. Cette équation est un développement en série de puissance du facteur de compressibilité autour du point où fluide réel et gaz parfait se confondent. On écrit alors : Z= B C Pv = 1 + + 2 + ... RT V V (2.24) où les coefficients B, C, etc, sont appelés respectivement deuxième, troisième, etc, coefficient du Viriel et sont associés respectivement aux interactions deux à deux, trois à trois, etc. Pour un fluide pur, les coefficients du Viriel ne dépendent que de la température. Ces développements en série ne sauraient ^etre considérés comme une équation d’état, puisqu’ils comportent un nombre infini de termes dont la valeur est inconnue et la sommation impossible. Par contre, leur troncature a donné naissance aux équations d’état du Viriel que l’on caractérise par l’ordre de la troncature et par la nature du développement dont elles sont dérivées, selon qu’il soit en volume ou en pression. L’équation, généralement tronquée après le deuxième coefficient, n’est valable que pour des gaz déviant assez peu du comportement des gaz parfaits. Ces deux dernières familles d’équations sont plus complexes d’utilisation pour des résultats assez similaires aux résultats obtenus avec les équations cubiques, comme l’ont montré Curtis et Farrell [22] ainsi que Reid et al [77], en particulier pour les applications qui nous intéressent. Seules les équations d’état de Soave-Redlich-Kwong et de Peng-Robinson ont été introduites dans le code de simulation. La densité n’étant pas la seule grandeur thermodynamique a ^etre affectée lorsque la pression augmente, on s’intéresse par la suite aux modèles qui permettent de calculer les autres grandeurs thermodynamiques comme l’enthalpie molaire ou encore les capacités thermiques qui sont utilisées dans les codes de simulation numérique. 2.1.2 Enthalpie molaire L’enthalpie molaire est une autre variable thermodynamique qui a une grande importance dans notre étude. Dans le code de DNS utilisé dans le cadre de cette thèse, c’est l’enthalpie molaire h qui est transportée (cf. chapitre 3), la température sera déduite à partir de celle-ci. La précision avec laquelle est déterminée l’enthalpie influe donc directement sur le résultat de la simulation. Il existe plusieurs méthodes couramment utilisées qui permettent de calculer l’enthalpie comme les modèles JANAF [54] et CHEMKIN [93]. Ces méthodes se présentent sous la forme d’un polyn^ome qui est uniquement fonction de la température et dont les coefficients dépendent de l’espèce considérée. Ainsi pour calculer l’enthalpie molaire, il suffit avec la méthode JANAF de résoudre le polyn^ome suivant : log T T T2 T3 T4 1 1 (2.25) + j3 + j4 + j5 + j6 + j7 + j8 h0 = RT −j1 2 + j2 T T 2 3 4 5 T 2.1 Modélisation des grandeurs thermodynamiques 55 avec, pour l’oxygène : j1 j2 j3 j4 j5 j6 j7 j8 = = = = = = = = −3.425563420.104 4.847000970.102 1.119010961 4.293889240.10−3 −6.836300520.10−7 −2.023372700.10−9 1.03904002.10−12 −3.391454870.103 Ces modèles ne sont valables que dans une gamme de pression où l’enthalpie ne dépend que de la température, souvent proche de la pression atmosphérique. En partant de la définition de base de la variation d’énergie interne molaire u, on peut ainsi déterminer une expression pour l’enthalpie valable aux pressions élevées. du = δq + δw (2.26) où δw = −P dv est la variation d’énergie sous forme de travail et δq = cv dT + αl dv est la variation d’énergie sous forme de chaleur, avec αl , un coefficient calorimétrique, défini par la relation suivante : ∂P αl = T (2.27) ∂T v l’équation 2.26 devient alors : ∂P du = cv dT + T − P dv ∂T v (2.28) À partir de la définition de l’enthalpie : h = u + P v, on obtient la forme différentielle : dh = du + d(P v) (2.29) En remplaçant dans l’équation 2.29 du par son expression (cf. équation 2.28), on obtient l’expression de la différentielle d’enthalpie molaire : ∂P dh = cv dT + T − P dv + d (P v) (2.30) ∂T v En réalisant une transformation depuis un état 1 jusqu’à un état 2, définis par les variables (v1 , P1 , T1 ) et (v2 , P2 , T2 ) respectivement, on peut alors calculer à partir de l’équation 2.30 la 56 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée variation d’enthalpie résultant de cette transformation. En choisissant un état dont il est possible de conna^ıtre la valeur de l’enthalpie, par exemple à basse pression h0 (v0 , P0 , T0 ), l’état 2 correspondra alors à l’enthalpie dont on veux conna^ıtre la valeur à la pression P . Si on considère la température constante pendant cette transformation, T = T1 = T2 et dT = 0, la variation d’enthalpie correspondant à cette transformation est : ZP v h(T, v, P ) − h0 (T, v0 , P0 ) = (P v)0 Zv ∂P − P dv T d (P v) + ∂T v (2.31) v0 Il suffit d’intégrer l’équation précédente entre les volumes v0 et v et entre les pressions P0 et P . Pour la première intégration, on obtient facilement : ZP v d (P v) = P v − P0 v0 (2.32) (P v)0 Comme cela a été précisé avant, l’état 0 correspond à un état dont la pression est faible, il satisfait donc aux conditions des gaz parfaits. Ainsi, les différentes grandeurs thermodynamiques peuvent ^etre calculées avec les relations appliquées aux gaz parfaits comme l’équation d’état : P0 v0 = R T (2.33) on peut donc remplacer P0 v0 par R T dans l’équation 2.32. Pour calculer la deuxième intégrale, il faut d’abord déterminer l’expression de la dérivée ∂P partielle ∂T v . On utilise l’équation d’état des gaz réels, par exemple une équation cubique qui est définie par la relation : P = RT a − 2 v − b v + u v b + w b2 (2.34) À noter que seule la grandeur a dépend de la température (cf. tableau 2.1) et les paramètres u et w sont des constantes qui dépendent de l’équation d’état cubique choisie (cf. tableau 2.1). On peut alors déterminer l’expression de ∂P : ∂T ∂a ∂P R ∂T v = − (2.35) ∂T v v − b v 2 + u v b + w b2 − P devient, en soustrayant l’équation 2.34 à l’équation 2.35 multipliée par T : Ainsi, T ∂P ∂T v ∂P ∂a 1 T −P = T −a (2.36) ∂T v ∂T v 2 + u v b + w b2 2.1 Modélisation des grandeurs thermodynamiques 57 et la deuxième intégrale s’écrit : Zv Zv 1 ∂P ∂a T − P dv = T −a dv ∂T v ∂T v 2 + u v b + w b2 (2.37) v0 v0 Les détails des dérivées partielles de certaines variables de l’équation des gaz réels de Peng ∂a Robinson (dont le terme ∂T ) sont détaillés en annexe C. Le terme présent dans l’intégrale peut également s’écrire : v2 1 1 √ ih √ i = h 2 2 2 + uvb + wb v + u+ u2 −4 w b v + u− u2 −4 w b (2.38) Le résultat est une fraction avec au dénominateur une multiplication de deux facteurs que l’on nomme F1 et F2 tels que : √ u + u2 − 4 w F1 = v + b (2.39) 2 √ u − u2 − 4 w F2 = v + b (2.40) 2 Ainsi : 1 1 F1 − F2 = F1 F2 F1 − F2 F1 F2 F2 1 F1 − = F1 − F2 F1 F2 F1 F2 1 1 1 = − F1 − F2 F2 F1 Or : u+ √ F1 − F2 = v + √ = b u2 − 4 w u2 − 4 w 2 b−v− u− √ (2.41) (2.42) (2.43) u2 − 4 w 2 b (2.44) (2.45) Donc : v2 1 1 = √ × 2 2 + uvb + wb b u − 4w 1 1 √ − √ 2 u− u −4 w u+ u2 −4 w v+ b v+ b 2 2 (2.46) 58 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée On remplace l’équation précédente dans l’équation 2.37 pour calculer la seconde intégrale et, en sortant le terme b√u22−4 w , qui ne dépend pas du volume, de l’intégrale, on obtient : Zv ∂P ∂a 1 T − P dv = T −a √ × 2 ∂T ∂T b u − 4w v0 Zv 1 1 − dv (2.47) √ √ 2 u− u −4w u+ u2 −4w b v+ b v+ 2 2 v0 F1 (v) Si on considère une fonction logarithmique log F2 (v) , avec F1 et F2 qui dépendent tous deux de v, la dérivée de cette fonction par rapport à v est : 0 F1 F10 F20 ln − (2.48) = F2 F1 F2 Par analogie entre les équations 2.48 et 2.47, on déduit que : Zv ∂a 1 ∂P − P dv = T −a √ × T ∂T ∂T b u2 − 4 w v0 √ v 2 v + u− u2 −4w b ln √ u+ u2 −4w v+ b 2 (2.49) v0 La dernière étape consiste à calculer ln v+ v+ v √ u− u2 −4w b 2 √ u+ u2 −4w b 2 v0 et comme on considère que dans les conditions (P0 , v0 ) on peut utiliser les lois des gaz parfaits, alors v0 qui est le volume occupé par le gaz est très supérieur à b, le volume occupé par les molécules. En effet, lorsque la pression est faible, les molécules sont suffisamment éloignées pour qu’il n’y ait pas d’interaction entre elles ce qui n’est pas le cas lorsque la pression est élevée. Ainsi v0 b et donc : v √ √ u− u2 −4w u− u2 −4w b v+ b v+ 2 2 v0 ln √ √ ≈ ln − ln (2.50) 2 2 v0 v + u+ u −4w b v + u+ u −4w b 2 v0 ≈ ln v+ v+ 2 √ u− u2 −4w b 2 √ u+ u2 −4w b 2 (2.51) 59 25000 25000 20000 20000 15000 15000 h (J/mol) h (J/mol) 2.1 Modélisation des grandeurs thermodynamiques 10000 5000 10000 5000 0 −5000 200 0 400 600 T (K) 800 −5000 200 1000 400 O2 600 T (K) 800 1000 H2 F IG . 2.2 – Enthalpie molaire de l’oxygène et de l’hydrogène en fonction de la température pour une pression de 100 bar. On a utilisé l’équation d’état de Peng-Robinson pour calculer les paramètres u et w. La droite correspond aux valeurs calculées avec le modèle des gaz réels et les ronds rouges représentent les valeurs extraites du NIST [63]. Finalement, la variation d’enthalpie molaire, à une température fixée T , entre (P0 , v0 ) et (P, v) permet de calculer h si on connait h0 , tel que : h (T ) = h0 (T ) + P v − R T + ∂a T ∂T v √ b u2 − −a 4w ! ln v+ v+ √ u− u2 −4w b 2 √ u+ u2 −4w b 2 (2.52) où h0 (T ) est l’enthalpie à la pression de référence (calculée ici à la pression de 1bar) et à la température T . La valeur de h0 est obtenue en utilisant par exemple les tables JANAF [54]. Il est possible de comparer les résultats trouvés à partir de ce modèle aux données des tables NIST [63]. Ainsi, sur les graphes de la figure 2.2 est présentée l’évolution de l’enthalpie molaire de l’oxygène et de l’hydrogène en fonction de la température et pour une pression ambiante de 100 bar. À partir de ces graphes, on remarque que les résultats obtenus avec le modèle physique et les données du NIST sont assez proches surtout pour des températures élevées et donc proche des conditions de gaz parfaits. Dans ce cas, la fonction logarithmique s’annule et P v −R T = 0, on retrouve bien h (T ) = h0 (T ). Les effets de gaz réels apparaissent lorsque la température devient faible car, en dessous de 200 K, on observe alors un changement dans la linéarité de la courbe. En effet, dans ces conditions, l’enthalpie tient également compte des effets de la pression sur le volume occupé par le fluide et des interactions entre les molécules. 60 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée 2.1.3 Capacités calorifiques Les capacités calorifiques Cp et Cv peuvent, comme l’enthalpie, ^etre déterminées par le biais d’un polyn^ome JANAF : Cp0 = R −j1 T −2 + j2 T −1 + j3 + j4 T + j5 T 2 + j6 T 3 + j7 T 4 (2.53) Dans l’équation 2.53, les coefficients sont les m^emes que pour l’équation 2.25 et dépendent uniquement de l’espèce considérée. Dans ces conditions, l’effet induit par les hautes pressions n’est pas prise en compte et le résultat est une valeur à pression atmosphérique. Afin de déterminer une valeur plus précise qui tienne compte des effets de la pression, on utilise la définition de l’enthalpie molaire : dh = δq + δw + P dv + vdP (2.54) δq = cp dT + αh dP (2.55) δq est défini tel que : où αh est un coefficient calorimétrique défini par la relation suivante : αh = −T ∂v ∂T (2.56) P On a alors : dh = cp dT + (αh + v) dP (2.57) Ainsi en dérivant l’enthalpie molaire par rapport à la température pour une pression donnée : cp = ∂h ∂T (2.58) P En utilisant l’expression 2.52 pour le calcul de la dérivée, on obtient : cp = cp 0 − T ∂P 2 ∂T ∂P ∂v −R−T 2 v+ ∂ a 1 √ ln 2 2 ∂T b u − 4w v+ √ u− u2 −4w b 2 √ u+ u2 −4w b 2 (2.59) 2.1 Modélisation des grandeurs thermodynamiques 61 Pour déterminer la valeur de cv , l’équation couramment utilisée cp − cv = r n’est plus valable à pression élevée. Alors, à partir des différentes définitions de la chaleur : δq = cv dT + αl dv (2.60) δq = cp dT + αh dP (2.61) δq = λ dP + αµ dv (2.62) et en remplaçant dP de l’équation 2.61 par l’expression suivante : ∂P ∂P dT + dv dP = ∂T v ∂v T on obtient la relation : ∂P ∂P dT + αh dv δq = cp dT + αh ∂T v ∂v T ∂P ∂P = cp + αh dT + αh dv ∂T v ∂v T (2.63) (2.64) (2.65) Par identification entre les équations 2.65 et 2.61, on a : −αh = cp − cv ∂P ∂T αh = −T ∂v ∂T (2.66) (2.67) On trouve ainsi la relation qui relie cp et cv : cp − cv = T ∂P ∂v ∂T ∂T (2.68) Ensuite, en utilisant la relation mathématique : ∂P ∂v ∂T ∂T ∂P ∂v ∂P ∂T ∂P ∂T 2 ∂v ∂P = ∂T ∂P ∂P 2 = = − ∂T ∂P ∂v (2.69) (2.70) (2.71) Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée 70 30.5 30 60 Cp (J/(K.mol)) Cp (J/(K.mol)) 62 50 40 30 200 29.5 29 28.5 400 600 T (K) 800 1000 28 200 O2 400 600 T (K) 800 1000 H2 F IG . 2.3 – Capacité thermique à pression constante de l’oxygène et de l’hydrogène en fonction de la température pour une pression de 100 bar. On a utilisé l’équation d’état de Peng-Robinson pour calculer les paramètres u et w. La droite correspond aux valeurs calculées avec le modèle des gaz réels et les ronds rouges représentent les valeurs extraites du NIST [63]. On a finalement : cv = cp + T ∂P 2 ∂T ∂P ∂v (2.72) La relation cp0 − cv0 = R est toujours valable à pression atmosphérique et en remplaçant cp par son expression (équation 2.59), on otient : √ u− u2 −4w v + b 2 2 1 ∂ a √ ln (2.73) cv = cv 0 − T √ u+ u2 −4w ∂T 2 b u2 − 4 w v+ b 2 On présente sur les images de la figure 2.3, l’évolution de la capacité thermique à pression constante de l’oxygène et de l’hydrogène en fonction de la température et pour une pression ambiante de 100 bar. On constate sur ces graphes que les valeurs calculées par le modèle des gaz réels sont proches des valeurs de référence dans cet intervalle de température. 2.1.4 Vitesse du son L’expression de la vitesse du son est, elle aussi, modifiée lorsqu’on tient compte des effets de gaz réels. Elle est définie telle que : r 1 (2.74) c= ρ χs 2.1 Modélisation des grandeurs thermodynamiques 63 où χs est le coefficient de compressibilité isentropique et est défini par la relation suivante : χs = χT − v T χ2v cp (2.75) avec χT et χv respectivement le coefficient de compressibilité isotherme et le coefficient de dilatation définis par les relations : χT = − χv = − 2.1.5 1 v ∂P ∂v ∂P ∂T v ∂P ∂v (2.76) (2.77) Le mélange binaire La forme sous laquelle les modèles physiques ont été présentés ne peut s’appliquer qu’aux substances pures. Or dans notre étude, on s’intéresse au mélange de deux espèces. Un mélange peut ^etre considéré comme étant idéal ou non. Dans le cas d’un mélange idéal de gaz parfaits, les variations d’énergie interne et d’enthalpie dues au mélange sont nulles et le volume du mélange est égal à la somme des volumes des constituants purs. N’utilisant pas la théorie des gaz parfaits, il a faut introduire de nouvelles règles de mélange appliquées au cas des gaz réels. Ce sont des corrélations empiriques qui ont été validées avec des données expérimentales et qui représentent le comportement global des différents constituants du mélange. Ce qui revient alors à considérer le mélange comme une seule espèce mais qui possède les propriétés des constituants du mélange. 2.1.5.1 Équation d’état appliquée au cas d’un mélange Dans le cas de l’équation d’état et plus particulièrement des équations cubiques, les règles de mélange s’appliquent uniquement aux paramètres a et b de l’équation 2.6 qui eux seuls tiennent compte de la nature du constituant. Elles s’écrivent (d’après Reid et al [77]) : q XX (2.78) am = Xi Xj (ai aj )(1 − kij ) i bm = X j X i bi (2.79) i où ai et bi sont les paramètres de l’équation d’état pour l’espèce i, am et bm sont ceux du mélange et Xi est la fraction molaire du constituant i. La valeur du coefficient d’interaction binaire kij est déterminée gr^ace aux données expérimentales sur l’équilibre liquide-vapeur mais il est considéré comme nul lorsque les constituants du mélange sont semblables chimiquement, 64 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée ce qui est le cas entre O2 et H2 . Ainsi l’expression générale pour les équations d’état cubiques devient : P = 2.1.5.2 am RT − 2 v − bm v + u bm v + w b2m (2.80) Enthalpie molaire d’un mélange Pour ce qui est de l’enthalpie molaire, le raisonnement est le m^eme que pour l’équation d’état. D’ailleurs, dans l’équation 2.52, les seules variables qui dépendent des espèces sont le volume molaire vm et les paramètres a et b de l’équation d’état. Ainsi l’expression de l’enthalpie molaire d’un mélange est : √ ! u− u2 −4w ∂am vm + bm T − am 2 ∂T vm √ (2.81) √ ln hm = h0 (T )+P vm −RT + 2 bm u2 − 4w vm + u+ u2 −4w bm De plus, dans l’équation de conservation de l’énergie, il est nécessaire de conna^ıtre la valeur de l’enthalpie molaire de chacune des espèces, c’est à dire l’enthalpie molaire partielle h,i . Pour cela on utilise les propriétés molaires partielles telles que, si on considère une variable quelconque F dépendant de la température, de la pression et de la concentration, on a : dF = ∂F ∂T dT + P,ni ∂F ∂P dP + T,ni N X ∂F i=1 ∂ni P,T,nj6=i dni (2.82) Si les variables P ,T ,ni sont indépendantes, on peut introduire une nouvelle variable fi : ∂F fi = (2.83) ∂ni P,T,nj6=i ∂ ∂ni Ainsi, on détermine la valeur h,i en appliquant la dérivée partielle molaire obtient : v,i − v bbmi ∂am h,i = h0,i + P v,i − R T + am − T + ∂T v 2 + 2 v bm − b2m √ u− u2 −4w v + bm m 2 1 √ × √ ln 2 bm u2 − 4 w vm + u+ u −4w bm à hm et on 2 ∂am ∂ 2 am ∂am bi −T − am − T ∂Xi ∂Xi ∂T ∂T bm (2.84) 2.2 L’équilibre liquide-vapeur d’un mélange binaire 2.1.5.3 65 Capacité thermique et vitesse du son dans un mélange Pour le calcul de la capacité thermique d’un mélange, la méthode est la m^eme que pour la densité ou l’enthalpie molaire, c’est à dire considérer le fluide comme une seule espèce dont on applique les propriétés des constituants. Ainsi, les variables qui dépendent de la composition (masse molaire, coefficient a et b de l’équation d’état, etc) sont utilisées afin de déterminer cp et cv ou la vitesse du son. 2.2 L’équilibre liquide-vapeur d’un mélange binaire Lorsqu’on est en présence d’un mélange de deux ou plusieurs espèces, le diagramme de phase classique comme celui de la figure 2 n’est plus valable et prend une forme différente en fonction du nombre d’espèces. C’est pourquoi il est important de conna^ıtre l’état d’un fluide en fonction des grandeurs physiques du milieu afin de prévoir la présence d’une interface. 2.2.1 La règle de phase de Gibbs La règle de phase proposée par Gibbs fournit une relation générale entre le degré de liberté d’un système, le nombre de phase et de constituants. Cette règle permet de conna^ıtre le nombre de variables que l’on peut faire varier sans modifier le nombre de phases. Pour calculer le degré de liberté (ou variance) associé à cet équilibre, on utilise l’expression donnée par Gibbs : V = ne + 2 − np (2.85) avec V la variance, ne le nombre d’espèces mises en jeu et np , le nombre de phases. Pour un mélange binaire diphasique, np = 2, ne = 2 alors V = 2. Il a donc deux degrés de liberté. Si on considère que la pression reste constante dans tout le domaine, la variance passe de deux à un seul degré de liberté. Cela signifie que la température et une variable autre que la pression ne peuvent varier indépendamment les unes des autres. Il faut donc introduire une nouvelle variable permettant de décrire le mélange : la fraction molaire X d’un des deux composants. 2.2.2 Démonstration de l’équilibre liquide-vapeur Nous rappelons tout d’abord l’intér^et de l’enthalpie libre G qui nous permettra de déterminer l’équilibre liquide-vapeur. L’enthalpie libre, dont la définition est donnée en annexe A.6, est un potentiel thermodynamique et pour tout système à l’équilibre il est nécessaire que ce potentiel soit minimum mais également constant. L’équilibre d’un système est donc défini par la relation d G = 0. On considère ensuite un système S à l’équilibre thermodynamique et fermé, composé de deux sous systèmes Sl et Sg qui décrivent les phases liquide et gazeuse respectivement et tous 66 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée deux composé d’oxygène et d’hydrogène. La variation d’enthalpie libre du système S est : d G = d (Gl + Gg ) = d Gl + d Gg = X ∂Gl ∂ni i = X i ! d ni X ∂Gg + l ! µi d ni + ∂ni i X l (2.86) ! d ni (2.87) g ! µi d ni i (2.88) g où l’indice i correspond à l’espèce considérée et µi est le potentiel chimique de l’espèce i défini par la relation : ∂G (2.89) µi = ∂ni P,T,nj6=i En développant l’équation précédente pour chaque espèce de chaque phase, on obtient : d G = µO2 ,l d nO2 ,l + µH2 ,l d nH2 ,l + µO2 ,g d nO2 ,g + µH2 ,g d nH2 ,g (2.90) Le système étant fermé, le nombre de moles totales n reste constant (d n = 0) et est égal à la somme du nombre de moles de chaque sous-système tel que n = nl + ng eux m^emes composés d’oxygène est d’hydrogène et ainsi : nl = nl,O2 + nl,H2 (2.91) ng = ng,O2 + ng,H2 (2.92) Ainsi, la variation du nombre de moles de chaque sous-système s’exprime à partir de d n tel que : d n = 0 = d (nl + ng ) (2.93) d’où : d nl = −d ng (2.94) d nl,O2 + d nl,H2 = − (d ng,O2 + d ng,H2 ) (2.95) d nl,O2 = −d ng,O2 (2.96) d nl,H2 = −d ng,H2 (2.97) De plus : 2.2 L’équilibre liquide-vapeur d’un mélange binaire 67 car la quantité de moles d’une espèce reçue par une phase correspond nécessairement à la quantité de cette espèce perdue par l’autre phase en absence de réaction chimique. Alors, l’équation 2.90 devient : d G = (µO2 ,l − µO2 ,g ) d nO2 ,l + (µH2 ,l − µH2 ,g ) d nH2 ,l = X (µi,l − µi,g ) d ni,l (2.98) (2.99) i Enfin, pour que le système S soit à l’équilibre dG doit ^etre nulle : X (µi,l − µi,g ) = 0 (2.100) i et donc : µi,l = µi,g (2.101) Finalement, la condition d’équilibre entre deux phases constituées de deux espèces s’exprime par l’égalité du potentiel chimique de chaque espèce de chaque coté de l’interface. Reste donc à conna^ıtre l’expression du potentiel chimique. Pour déterminer l’expression du potentiel chimique dans les conditions qui nous intéressent, on présente tout d’abord l’équation du potentiel chimique appliquée au cas d’un gaz parfait : Pi µi (T, P ) = µ0i T, P 0 + R T ln 0 Pi (2.102) où µ0i est le potentiel chimique du constituant i dans l’état standard correspondant à la pression P 0 , et Pi est la pression partielle du composant i. Or, pour un fluide réel, il existe des interactions qui ne sont pas prises en compte dans l’équation précédente. Il est donc nécessaire d’introduire un nouveau terme qui tient compte des effets des gaz réels tel que : Pi µi (T, P ) = µ0i T, P 0 + R T ln 0 + R T ln Φi Pi (2.103) où Φi est le coefficient de fugacité de l’espèce i et est défini par la relation : Φi = fi Pi (2.104) et fi est la fugacité du fluide réel i. Elle représente la pression sous laquelle devrait se trouver le fluide, s’il était parfait, pour que son potentiel chimique soit le m^eme que celui qu’il possède sous la pression partielle Pi . Ainsi, lorsque la pression du milieu tend vers 0, le fluide devient 68 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Pression (bar) Fugacité (bar) 1 50 100 400 1000 1 49 97 424 1830 TAB . 2.3 – Valeurs de fugacité du N2 à 273 K pour diverses pressions [32]. parfait et les fugacités des espèces présentent dans ces fluides tendent vers les valeurs des pressions partielles. Dans ce cas, Φi tend vers 0 et l’expression du potentiel chimique devient celle des gaz parfaits. Nous donnons dans le tableau 2.3 des valeurs de fugacité pour différentes pressions pour du N2 à 273 K. L’observation des valeurs de fugacité du tableau 2.3 montre bien l’écart entre les pressions et les fugacités lorsque la pression augmente alors qu’en condition basse pression la fugacité et la pression prennent la m^eme valeur. Finalement, l’expression du potentiel chimique devient : Pi µi (T, P ) = µ0i T, P 0 + R T ln 0 + R T ln Φi Pi P Xi = µ0i T, P 0 + R T ln 0 + R T ln Φi Pi P = µ0i T, P 0 + R T ln 0 + R T ln Φi Xi Pi (2.105) (2.106) (2.107) Pour avoir l’équilibre entre deux phases, on a montré qu’il fallait avoir égalité des potentiels chimiques de chaque espèce dans chaque phase et en remplaçant le potentiel chimique par l’équation 2.107 on obtient l’égalité suivante : µi,l = µi,g (2.108) Les potentiels chimiques de référence ayant la m^eme valeur, car ils sont calculés dans les m^emes conditions (de m^eme pour les ln PP0 ), on obtient alors l’égalité : i R T ln Φi Xi = R T ln Φi Xi (2.109) l g L’équilibre à l’interface doit finalement satisfaire la relation : Φi,l Xi,l = Φi,g Xi,g (2.110) 2.2 L’équilibre liquide-vapeur d’un mélange binaire 69 Le coefficient de fugacité Φi se calcule à l’aide d’une équation d’état et de la loi de mélange appropriée. L’expression correspondante aux équations d’état cubiques est donnée par Reid et al [77] ln Φi = avec bi (Z − 1) − ln (Z − B) + bm √ 2 Z + B u + u2 − 4w A bi √ √ − δi ln B u2 − 4w bm 2 Z + B u − u2 − 4w √ 2 ai X √ Xj aj (1 − kij ) δi = am j (2.111) (2.112) u et w sont les paramètres de l’équation d’état cubique et kij est le coefficient d’interaction binaire. Les variables A et B ont été introduites précédemment dans les relations 2.7 et 2.8 auxquelles il faut appliquer les règles de mélange, c’est-à-dire utiliser am et bm à la place de ai et bi , l’équation cubique 2.6 permettant d’obtenir la valeur de Z. 2.2.3 Résolution de l’algorithme pour déterminer équilibre liquide-vapeur Ces relations sont appliquées au cas d’un mélange binaire O2 /H2 afin de déterminer l’équilibre liquide-vapeur et elles permettent ainsi de conna^ıtre les valeurs critiques du mélange en question. Cet équilibre a été calculé numériquement et l’algorithme est détaillé ci-dessous. Au début du calcul, on considère une phase liquide de O2 pure et une phase gazeuse de H2 pure. La pression est fixée durant tout le calcul, seule la température évoluera. Les fractions molaires de O2 sont initialisées à XO2 ,l = 1 et XO2 ,g = 0 et pour le H2 à XH2 ,l = 0 et XH2 ,g = 1. Le facteur de compressibilité Zg est pris égal à 1 en phase gazeuse (cas d’un gaz parfait) et Zl = 0 en phase liquide. La température initiale est choisie de telle sorte qu’elle soit inférieure aux températures critiques des deux constituants (le calcul a été initialisé avec une température de 80 K). Après l’initialisation de ces variables, les conditions d’équilibre sont calculées de manière itérative en ajustant, à chaque boucle et pour chaque phase, les valeurs de Z et de Xi de la manière suivante : 1. Calcul des coefficients am et bm à l’aide des fractions molaires pour chacune des phases. 2. Détermination de la valeur de Z en résolvant l’équation cubique 2.6. 3. Cette valeur est ensuite injectée dans l’équation 2.111 afin d’obtenir les coefficients de fugacité des différentes espèces dans chacune des phases. 70 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Équation d’état Peng-Robinson Redlich-Kwong Température critique (K) Fraction molaire critique (-) 141,0 147,5 0,708 0,774 TAB . 2.4 – Valeurs critiques du mélange O2 /H2 pour les équations d’état de Redlich-Kwong et Peng-Robinson à 100 bar. 4. Les fractions molaires sont réinitialisées au moyen de la condition d’équilibre (équation 2.110). 5. Si le critère de convergence pour l’équilibre des coefficients de fugacité n’est pas respecté (équation 2.110), les facteurs de compressibilité sont recalculés et les fractions molaires sont réinitialisées jusqu’à ce que la convergence ait lieu. 6. Dès que la convergence a lieu, on extrait les valeurs des constituants dans chacune des phases pour la température considérée. On incrémente ensuite la température d’un dT et on recommence toute la procédure jusqu’à ce que les fractions molaires de l’oxygène soient égales de chaque c^oté de l’interface. Pour l’hydrogène, XH2 ,liq = XH2 ,vap = 1 − XO2 ,vap . La composition étant identique de chaque c^oté de l’interface, il n’y a donc plus de distinction entre la phase liquide et la phase vapeur, on a donc atteint le point critique du mélange binaire. 7. On conna^ıt alors, pour une pression donnée, la température critique et la fraction molaire critique du mélange. 2.2.4 Résultats et interprétation En utilisant les équations d’état de Redlich-Kwong et de Peng-Robinson, on obtient la courbe d’équilibre liquide-vapeur pour le mélange binaire O2 /H2 . Sur la figure 2.4, on extrait, pour une pression de 100 bar, les valeurs critiques du mélange. Les valeurs sont résumées dans le tableau 2.4. Le diagramme de la figure 2.4 donne également les conditions d’existence d’une phase pour un mélange. La courbe représente la courbe de saturation avec : – en trait plein : la courbe de liquide saturant, 2.2 L’équilibre liquide-vapeur d’un mélange binaire 1 0.8 0.8 0.7 0.7 0.6 0.5 0.4 0.6 0.5 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0 80 90 100 110 120 130 140 courbe de liquide saturant courbe de vapeur saturante 0.9 Fraction molaire de O2 Fraction molaire de O2 1 courbe de liquide saturant courbe de vapeur saturante 0.9 71 150 0 80 90 T (K) Peng-Robinson 100 110 120 130 140 150 T (K) Redlich-Kwong F IG . 2.4 – Diagramme de phase d’un mélange O2 /H2 pour une pression de 100 bar en utilisant l’équation d’état de Peng-Robinson et Redlich-Kwong. – en traits pointillés : la courbe de vapeur saturante, – entre les deux : une zone de coexistence liquide-vapeur. Les phases liquide et gazeuse se situent respectivement au-dessus et en dessous de la courbe de saturation. Ainsi, pour une température de 100 K et une pression environnante de 100 bar, l’équilibre à l’interface est atteint si la phase liquide est composée d’approximativement 90 % en masse de dioxygène et 10 % en masse de dihydrogène avec un mélange d’environ 9 % de O2 et 91 % de H2 en phase gazeuse (figure 2.5). On observe également que plus la température augmente, plus la longueur du palier de transition (distance qui sépare, à une température donnée, les courbes de liquide saturant et de vapeur saturante) diminue jusqu’à ce qu’elle devienne nulle. En ce point, la fraction molaire de O2 est la m^eme dans la phase gazeuse et liquide. Cette fraction molaire correspond à la fraction molaire critique de l’oxygène dans le mélange. En effet, la composition des deux phases étant identique, il y a continuité de la densité et il n’y a donc plus de distinction entre les phases liquide et gazeuse : on a une phase supercritique. Ce point de jonction des courbes de saturation est le point critique du mélange à une pression 100 bar. Ce diagramme étant calculé à une pression donnée, ainsi pour une pression différente un nouveau point critique sera déterminé. Plusieurs diagrammes de phase correspondants à différentes pressions sont présentés sur la figure 2.5. À partir de cette figure plusieurs informations peuvent en ^etre extraites : – Plus la pression augmente, plus la température critique diminue, tout comme la fraction molaire critique, Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée 1 P=80 bar P=100 bar P=150 bar 0.9 0.8 0.7 Fraction molaire de O2 72 0.6 0.5 0.4 0.3 0.2 0.1 0 80 90 100 110 120 130 140 150 T (K) F IG . 2.5 – Équilibre liquide-vapeur calculé avec l’équation d’état de Peng-Robinson pour des pressions de 80 bar (trait plein), de 100 bar (traits pointillés) et de 150 bar (ligne de points). Équation d’état Peng-Robinson Soave Équation TCP Redlich-Kwong Température critique (K) Fraction molaire critique (-) 139 141 142 147 0.71 0.72 0.77 0.78 TAB . 2.5 – Effet des équations d’état sur les valeurs critiques calculées par Daou et al [23]. L’équation TCP est une équation à trois paramètres critiques. – Bien que la pression totale P soit supérieure aux pressions critiques de chaque constituant pur, PCO2 et PCH2 , il existe tout de m^eme une interface. Enfin, on présente dans le tableau 2.4 les valeurs critiques du mélange lorsqu’on utilise différentes équations d’état. On remarque que les résultats diffèrent d’une équation à l’autre, ce qui est normal car c’est l’équation d’état qui est à la base de l’algorithme pour le calcul de Z. Ainsi Yang et al [102], Zhu et al [105] et Daou et al [23] ont orienté leurs recherches sur les effets de différentes équations d’état sur les résultats. Les résultats de Daou et al sont résumés dans le tableau 2.5. Les valeurs critiques que nous avons trouvées sont très proches de celles calculées par Daou et al pour les équations de Redlich-Kwong et de Peng-Robinson. De plus, nos résultats sont tout aussi proches de ceux de Yang et al qui, pour une pression de 100 bar, ont trouvé une température critique de mélange de 142.8 K et une fraction molaire critique de 2.3 Modélisation des propriétés de transport O2 de 0.735 [102]. L’équation d’état choisie pour leur étude est une équation de Soave-RedlichKwong modifiée par Graboski et Daubert. Une fois les variables thermodynamiques d’un milieu à pression élevée déterminées ainsi que les conditions d’existence des phases liquide et vapeur, il ne reste plus qu’à introduire dans le code des modèles permettant de calculer les coefficients de transport. Ces grandeurs physiques, utilisées dans les équations de transport, jouent un r^ole aussi importantes que les grandeurs thermodynamiques car elles transportent l’énergie, les espèces (conductivité thermique, coefficients de diffusion des espèces) ou permettent de dissiper l’énergie cinétique (viscosité). Les effets de gaz réels jouant un r^ole sur ces coefficients, il a donc fallu introduire de nouveaux modèles lorsque la pression augmente. 2.3 Modélisation des propriétés de transport Nous analysons dans cette partie l’influence de la pression sur les caractéristiques physiques des fluides. Il est souvent difficile de calculer analytiquement les valeurs des coefficients de transport. Certaines théories ou lois empiriques permettent néanmoins de les évaluer et nous allons présenter les modèles que nous avons choisis ainsi que les modèles les plus utilisés. En fonction de la configuration, il est nécessaire que les modèles puissent traiter aussi bien les phases liquide, gazeuse que supercritique. Enfin, pour valider ces modèles physiques nous évaluerons les résultats avec des données extraites du National Institute of Standards and Technology (NIST) [63]. Mais le manque de références concernant les mélanges, tout du moins pour le couple O2 /H2 , nous oblige à comparer ces résultats avec les données existantes pour les espèces pures. Il existe de nombreux modèles qui permettent de calculer les coefficients de transport. Et comme pour les grandeurs thermodynamiques, certains modèles sont applicables uniquement pour des gaz considérés comme parfaits. Ces modèles ne dépendent que de la température et de la composition du mélange. Pour le cas des gaz parfaits, nous nous sommes référés à la méthode utilisée dans le package CHEMKIN [93]. Ce package, utilisé principalement pour les réactions chimiques, comporte aussi un module (Premixed) qui calcule des flammes de pré-mélange. Pour ce faire, des méthodes de calcul des coefficients de transport sont utilisées, méthodes qui sont bien établies au sein de la communauté scientifique. De la m^eme façon que la méthode JANAF pour le calcul de l’enthalpie ou des capacités thermiques, des polyn^omes dont la variable est la température et dont les coefficients dépendent des espèces, permettent de déterminer les coefficients de transport. Ainsi, pour le calcul de la viscosité, une équation permet de donner une valeur de µ pour chaque espèce. Les règles de mélange associées aux gaz parfaits permettent de calculer la valeur de la viscosité du mélange considéré. Il en est de m^eme pour le calcul de la conductivité thermique et du coefficient de diffusion des espèces. Malgré tout, ces modèles ne prennent pas en compte les effets des fortes pressions ce qui induit d’importantes erreurs 73 74 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée particulièrement pour le calcul du coefficient de diffusion. C’est pourquoi d’autres modèles ont vu le jour et permettent ainsi d’étudier les fluides réels à haute pression. Quelque soit le terme à calculer, la démarche adoptée par la plupart des auteurs consiste à : 1. appliquer les règles de mélange aux variables thermodynamiques qui dépendent du mélange, 2. estimer une valeur pour les faibles pressions du mélange qui devient une espèce pure ayant les propriétés des constituants, 3. corriger la valeur basse pression en tenant compte des effets dus aux hautes pressions. Nous allons maintenant présenter les modèles les plus utilisés ainsi que ceux qui ont été intégrés au code. N’ayant pas pu tous les tester individuellement, nous avons fait des choix en fonction des expériences, numériques ou expérimentales, présentées dans la littérature. Ainsi dans un rapport de la NASA [36], les auteurs présentent pour chaque espèce le ou les modèles les plus appropriés. De plus, Reid et al résument un grand nombre de ces modèles qui sont décrits dans le livre Properties of gases and liquids [77]. Voici les principaux modèles utilisés pour calculer la viscosité et la conductivité thermique. 2.3.1 La viscosité et la conductivité thermique d’un mélange à haute pression Ces deux coefficients de transport sont souvent traités ensemble car le comportement de la conductivité thermique est très semblable à celui de la viscosité. D’ailleurs la plupart des méthodes qui ont été développées pour le calcul de la viscosité ont été étendues au calcul de la conductivité thermique. Ces méthodes, qui traitent aussi bien le cas basse et haute pression, ont été adaptées au cas d’un mélange à plusieurs espèces. Par exemple, pour le calcul de la viscosité, on peut citer Yang et al [102] qui ont utilisé la méthode de Ely et Hanley [30] tout comme Oefelein [61]. Curtis et Farrell [22] ainsi que Leborgne [47] ou encore Schmitt et al [82] ont adopté la méthode de Chung et al [20]. Pour ces travaux de thèse, Lafon [46] a préféré utiliser la formule de Bromley et Wilke [12], extension des travaux d’Hirschfelder, pour le calcul de la viscosité à basse pression auquel il a ajouté les règles de mélange de Wilke. Enfin pour estimer la viscosité du mélange à haute pression, la méthode de Dean et Stiel [24] a été employée. Haldenwang et son équipe [39] ont préféré utiliser des données expérimentales issues de l’Encyclopédie des Gaz [55]. On peut encore citer l’approche de Lucas [51] ainsi que la méthode de Brulé et Starling [15] recommandées par Reid et al. Pour ce qui est du calcul de la viscosité en phase liquide, la méthode de Teja et Rice [91] est préconisée par Bellan et al. Pour le calcul de la conductivité thermique, on retrouve à nouveau la méthode de Ely et Hanley [31] utilisée par Yang et al [102] et Oefelein [61]. La méthode de Chung et al [20] a été choisi par 2.3 Modélisation des propriétés de transport Curtis et Farrell [22], Leborgne [47] et Schmitt et al [82]. Haldenwang et al [39] ont à nouveau choisi des données expérimentales pour les fluides purs auxquelles ils ont appliqué les règles de mélange de Mathur et al. Lafon [46] a quant à lui choisi la relation d’Eucken pour le calcul en basse pression associée à la méthode de Stiel et Thodos pour la correction en pression. Dans le code de simulation Asphodèle, nous avons introduit, pour le calcul de la viscosité et de la conductivité thermique dans un fluide soumis à une forte pression, les méthodes développées par Chung et al [20] et par Ely et Hanley [30, 31] car ceux sont celles préconisées dans un rapport de la NASA [36] mais également par Reid et al [77]. Ces modèles ont également été choisis par un grand nombre de chercheurs dont ceux cités ci-avant. Les détails concernant ces méthodes pour les calculs de la viscosité et de la conductivité thermique sont explicités en annexe B ; on y présente également le modèle pour le calcul du coefficient de diffusion de masse. On présente ensuite les résultats obtenus à partir du modèle de Chung et al [20] pour la viscosité et des modèles de Chung et al [20] et Ely et Hanley [31] pour la conductivité thermique. Pour le cas de la viscosité, seuls les résultats issus du modèle de Chung et al [20] ont été retenus car plus proches des valeurs extraites du NIST. C’est d’ailleurs ce modèle qui a été choisi pour réaliser les simulations de référence (cf. chapitre 4). De manière générale, la viscosité cinématique d’un gaz augmente avec la température tandis que celle d’un liquide diminue avec cette dernière. Une fois les valeurs critiques dépassées, la viscosité du fluide tend à suivre le comportement d’un gaz lorsque la densité est faible et elle tend à suivre le comportement d’un liquide pour des fluides denses. On présente sur les images des figures 2.6 et 2.7, l’évolution de la viscosité et de la conductivité thermique, respectivement, en fonction de la température et pour une pression de 100 bar. Le modèle utilisé pour la viscosité est le modèle de Chung et al [20] et pour la conductivité thermique, on présente les résultats issus des modèles de Chung et al [20] et Ely et Hanley [31]. On a comparé ces valeurs aux valeurs extraites du NIST [63]. On constate que les modèles utilisés sur ces figures donnent de très bon résultats pour l’oxygène. Dans le cas de l’hydrogène, les écarts par rapport aux valeurs de référence sont plus importants. Le modèle de Ely et Hanley semble plus adapté pour calculer la conductivité thermique. Nous comparons ensuite nos résultats aux résultats présentés par Yang et al [102] sur le calcul de la conductivité thermique pour un mélange équimolaire O2 /H2 à 200 K pour différentes pressions. Ces résultats sont résumés dans le tableau 2.6. Bien que le modèle utilisé soit identique (modèle de Ely et Hanley [31] pour Yang et al), l’équation d’état étant différente, les résultats présentent un léger écart mais permettent tout de m^eme de valider les modèles introduits dans le code. Pour réduire les temps de calcul, qui augmentent énormément avec l’introduction de ces modèles, Bellan et al ont linéarisé les résultats obtenus à partir des modèles qu’ils ont retenus et testés. Ces résultats sont résumés dans [3]. Ainsi, à partir d’un polyn^ome qui est fonction de la température et de la valeur viscosité ils peuvent calculer la valeur du nombre de Prandtl. Ce 75 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée −5 5 −5 x 10 2.5 x 10 4.5 2 4 µ (Pa.s) µ (Pa.s) 76 3.5 1.5 3 1 2.5 2 200 400 600 T (K) 800 1000 0.5 200 O2 400 600 T (K) 800 1000 H2 F IG . 2.6 – Effet de la température sur la viscosité (en P a.s) de l’oxygène (image de gauche) et de l’hydrogène (image de droite) de O2 pour une pression de 100 bar. La droite présente les résultats calculés avec le modèle de Chung et al [20] et les ronds rouges sont les valeurs extraites du NIST [63]. 1 bar 100 bar 400 bar 3.88 × 10−2 4.18 × 10−2 3.96 × 10−2 5.38 × 10−2 5.13 × 10−2 4.55 × 10−2 9.73 × 10−2 8.17 × 10−2 7.44 × 10−2 Auteurs Résultats issus de Yang et al [102] Notre étude (Ely et Hanley [31]) Notre étude (Chung et al [20]) TAB . 2.6 – Valeurs de conductivité thermique (W/ (m.K)) d’un mélange équimolaire O2 /H2 à 200 K pour différentes pressions et pour différents modèles comparées aux résultats issus de Yang et al [102]. polyn^ome est valable uniquement si on utilise du O2 et/ou du H2 et pour une pression de 100 bar environ. La température doit ^etre comprise dans une échelle comprise entre 200 et 800 K. Dans sa configuration, Bellan et al calculent la viscosité à partir d’une viscosité de référence ellem^eme liée aux conditions initiales de densité et de vitesse des fluides. Le nombre de Prandtl utilisé par Bellan et al [3] est défini tel que : Pr = µ Cp mλ (2.113) avec µ la viscosité dynamique (P a.s), λ la conductivité thermique (W.K −1 .m−1 ), Cp la capacité thermique en J.g −1 .K −1 et m la masse molaire en g/mol. Si on conna^ıt la viscosité, la masse molaire M et la capacité thermique molaire du mélange Cp , on peut facilement déduire la valeur de la conductivité thermique. L’équation extraite de l’étude de Bellan et al pour calculer le 2.3 Modélisation des propriétés de transport 77 0.1 0.5 λ (W/(m.K)) λ (W/(m.K)) 0.08 0.06 0.04 0.02 0 200 0.4 0.3 0.2 0.1 400 600 T (K) 800 1000 0 200 400 O2 600 T (K) 800 1000 H2 F IG . 2.7 – Effet de la température sur la conductivité thermique (en W/(K.m)) de l’oxygène (image de gauche) et de l’hydrogène (image de droite) de O2 pour une pression de 100 bar. La droite en trait plein noir présente les résultats calculés avec le modèle de Chung et al [20], la droite en pointillés bleus les résultats de Ely et Hanley [31] et les ronds rouges sont les valeurs extraites du NIST [63]. nombre de Prandtl est : Pr = 1.335 T 0.1 (2.114) Elle a également développé des équations pour des mélanges C7 H16 /N2 pour l’étude des moteurs automobiles. Dans ce cas la température doit ^etre comprise entre 500 et 1100 K et la pression comprise entre 40 à 80 bar. Cette méthode est intéressante car elle permet de gagner en temps de calcul. Cependant, elle est limité dans son domaine d’application. 2.3.2 Le coefficient de diffusion pour les espèces Nous présenterons dans cette partie les modèles qui permettent de calculer le coefficient de diffusion des espèces utilisé dans l’équation de conservation des espèces. La diffusion des espèces est grandement liée à la masse volumique du milieu et c’est pourquoi la pression joue un r^ole très important. Ainsi le coefficient de diffusion de masse d’une phase liquide est très faible par rapport à celui d’une phase gazeuse et lors du passage par le point critique, la diffusion augmente brusquement. C’est pourquoi il est plus complexe de modéliser le coefficient de diffusion. Les principales méthodes reportées dans la littérature pour la diffusion de l’oxygène dans l’hydrogène, aussi bien pour les phases liquide (dense) et gazeuse (légère), sont : 78 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Wilke Chang (liquide) : Daou et al [23], Lafon [46], Curtis et Farrell [22] Fuller et al [33] (liquide et gaz) : Leborgne [47], Yang et al [104] Tyn et Calus (liquide) : Curtis et Farrell [22] Chapman-Enskog (gaz) : Delplanque et Sirignano [25] Stokes Einstein (liquide et gaz) : Bellan et al [5] Bird et al : Oefelein [61] Ces différentes méthodes permettent de calculer le coefficient de diffusion binaire mais uniquement en condition de basse pression. Tous les auteurs, exceptés Bellan et al, qui ont tenu compte des effets de la pression, ont utilisé la corrélation de Takahashi [89]. Cette corrélation a été obtenue à partir des données sur différents couples d’espèces dont les molécules ont des tailles comparables à celles qui nous intéressent, à savoir essentiellement l’oxygène, l’hydrogène et l’eau. Takahashi a m^eme utilisé des données relatives à l’auto-diffusion de l’hydrogène ce qui permet de penser que l’estimation donnera des résultats satisfaisants pour notre étude. Cette corrélation s’exprime sous la forme suivante : DAB P = f (Tr , Pr ) (DAB P )0 (2.115) où l’exposant 0 indique la valeur du produit en condition basse pression. Les variables Pr et Tr sont les variables du mélange réduites par les conditions critiques suivantes : T Tc = XA TcA + XB TcB P = Pc = XA PcA + XB PcB Tr = (2.116) Tc (2.117) Pr Pc (2.118) (2.119) La fonction f (Tr , Pr ) est explicitée en annexe B.3. Cependant, il existe peu de données disponibles sur le coefficient de diffusion binaire O2 /H2 . Les données extraites de Yang et al [102] sont reportées dans le tableau 2.7 et comparées aux résultats que nous avons obtenus. Il a luim^eme utilisé la méthode de Fuller et al avec la corrélation de Takahashi, c’est pourquoi les résultats sont si proches. Le problème avec la corrélation de Takahashi c’est qu’elle n’est valable qu’en phase diluée et ne peut donc ^etre utilisée en présence de liquide. Comme avec le calcul de la conductivité thermique, Bellan et al ont également déterminé une fonction optimisée à partir des résultats obtenus avec un modèle physique [5], permettant 2.3 Modélisation des propriétés de transport Auteurs Yang et al [102] Notre étude 79 1 bar 100 bar 400 bar 4.04 × 10−5 4.09 × 10−5 3.88 × 10−7 4.03 × 10−7 9.92 × 10−8 10.05 × 10−8 TAB . 2.7 – Coefficient diffusion binaire (m2 .s−1 ) d’un mélange équimolaire O2 /H2 à 200 K pour différentes pressions. de calculer la valeur du nombre de Schmidt. Cette fonction est définie telle que [3] : µ Sc = ρ αD D 1.5 88.6 2 6 = 1.334 − 0.668 YO2 − 0.186 YO2 − 0.268 YO2 1 + T (2.120) (2.121) où αD est défini par la relation 2.122 avec Φi coefficient de fugacité de l’espèce i qui peut ^etre déterminé par l’équation 2.111. ∂ (lnΦi ) (2.122) ∂Xi Cette fonction n’est utilisable que dans les conditions de pression (100 bar) et de température (200 K → 800 K) définies par les auteurs. Là encore, cette méthode a pour but de réduire les temps de calcul. αD = 1 + Xi Toutes les méthodes présentées ci-avant permettent de calculer le coefficient de diffusion binaire Dij à pression élevée qui représente la capacité de deux espèce à diffuser l’une dans l’autre. Or, il est nécessaire de modéliser le coefficient de diffusion dans un mélange Dim qui caractérise la diffusion de l’espèce i dans le milieu et c’est ce second coefficient qui est utilisé dans l’équation de conservation des espèces. Il est déterminé à partir du coefficient binaire et des règles de mélange appropriées. Diverses règles de mélange ont été développées dont celle utilisée par Yang et al [102] et par Sirignano [85], introduite par Williams [99]. Elle se présente sous la forme suivante : 1 − Xi (2.123) Dim = P ns Xj j6=i Dij D’autres méthodes sont disponibles dans la littérature comme celle utilisée dans CHEMKIN [93] : 1 − Yi Dim = P (2.124) ns Xj j6=i Dij 80 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Bien qu’à première vue ces deux règles semblent identiques, une variable les différencie pourtant. Dans l’équation 2.124, on note la présence d’une fraction massique alors que dans l’équation 2.123 il s’agit une fraction molaire. Quel est alors l’influence de l’utilisation de tel ou tel modèle sur le calcul du coefficient de diffusion ? Quel modèle est le plus adapté au cas d’un mélange binaire ? En utilisant l’équation 2.123 appliquée au cas d’un mélange binaire, le coefficient de diffusion de l’espèce i dans un mélange devient égal au coefficient de diffusion binaire D12 car : ns X Xj Dij j6=i = Xj Dij (2.125) (2.126) d’où : D1m = 1 − X1 X2 D12 (2.127) Or, pour un mélange binaire, 1 − X1 = X2 . Ainsi, l’équation 2.127 devient : D1m = D12 (2.128) D2m = D21 (2.129) De la m^eme façon on obtient : Si on utilise le modèle de Fuller et al, présenté dans l’équation 2.130 et utilisé par Yang et al (pour d’avantage de détails le lecteur peut se référer à l’annexe B.3), on peut remarquer que les coefficients binaires D12 et D21 sont identiques. D12 = 0.00143 T 1.75 2 1/2 1/3 1/3 P M12 (Σv )1 + (Σv )2 (2.130) À partir de ce constat et si on considère la diffusion de molécules d’oxygène dans un mélange, la valeur de DO2 m est donc égale à DO2 H2 quelque soit la composition du mélange. Ainsi, si le mélange est composé uniquement d’oxygène, la valeur de DO2 m , qui représente l’autodiffusion de l’oxygène, ne peut ^etre égale au mélange binaire. Ne serait ce qu’en considérant la taille des molécules, l’oxygène ne diffusera pas avec la m^eme intensité en présence de petites molécules, comme dans le dihydrogène, qu’en présence de grandes molécules comme les molécules de dioxygène (DO2 O2 <DO2 H2 ). De plus, dans les cas de l’auto-diffusion, les deux règles de mélange ne peuvent ^etre définies, car Xj est nulle. Pour la première règle de mélange (l’équation 2.123), on a montré que le coefficient de diffusion devient le coefficient de mélange binaire quelque soit 2.3 Modélisation des propriétés de transport 81 la composition du mélange. Dans le cas de la deuxième règle de mélange présentée en équation 2.124, il est préconisé d’ajouter un afin de pouvoir déterminer une valeur finie du coefficient de diffusion [93] tel que : DO2 m = 1 − YO2 XH2 + DO2 H2 (2.131) Le résultat est légèrement faussé mais dans l’équation de conservation des espèces, le coeffi- i cient de diffusion est associé au gradient de fraction massique de l’espèce considérée Dim ∂Y ∂x qui est nul. Afin de pouvoir ^etre utilisé dans toutes les conditions, et notamment dans le cas de l’auto-diffusion, nous avons décidé d’utiliser la deuxième règle de mélange, celle utilisée dans CHEMKIN [93]. Une autre raison vient du fait que ces règles de mélange ont déjà été largement éprouvées dans de nombreuses simulations. Au travers de ce chapitre consacré aux grandeurs physiques et thermodynamiques, nous avons présenté les différents modèles qui ont été intégrés au code de simulation numérique directe utilisé dans le cadre de cette thèse. Contrairement aux modèles qui étaient déjà présents dans le code, ces nouveaux modèles permettent de tenir compte des effets de la pression qui jouent un r^ole important dans le cas des moteurs de fusée. Nous pouvons désormais calculer les grandeurs thermo-physiques d’un corps pur mais également d’un mélange de plusieurs espèces gr^ace à l’introduction de règles de mélange appropriées. Nous avons également déterminé les conditions d’existence des phases liquide, vapeur et supercritique et tracé le diagramme de phase pour le cas d’un mélange binaire et pour des conditions de pression élevée. On peut alors savoir, en fonction des conditions thermodynamiques s’il y aura présence ou non d’une interface. L’ensemble des propriétés thermodynamiques et physiques des gaz réels présentées dans ce chapitre, ont dans un premier temps été testées de manière isolée et comparées avec les résultats issus de bases de références NIST [63]. Cette première étape a permis de sélectionner les différentes lois qui sont utilisées dans le solveur de simulation numérique directe Asphodèle. Avant le début de cette thèse, toutes les propriétés thermo-physiques avait été introduites en version gaz parfaits. L’intégration de ces nouveaux modèles a été facilitée par la structure en module du code que nous présentons au chapitre suivant. Dans ce chapitre, nous présentons les adaptations nécessaires qui ont été apportées au code afin de réaliser des simulations d’écoulements supercritiques car l’introduction de ces modèles pénalise lourdement les temps de calcul. Nous décrivons également la configuration qui a été choisie pour étudier le mélange en proche sortie d’injecteur. 82 Modélisation des grandeurs thermo-physiques d’un fluide soumis à une pression élevée Chapitre 3 Asphodèle : un code de simulation numérique directe supercritique La simulation numérique directe, qui a été introduite dans les années 70 par Orszag et Patterson [65] puis Rogallo [79] ou encore Lee et al [48], a permis à ses débuts de simuler des écoulements de gaz inertes. Depuis, son utilisation a été étendue à beaucoup d’autres applications tels que les écoulements réactifs ou diphasiques par Riley et Patterson [78]. La simulation numérique directe résout toutes les échelles caractéristiques de la turbulence depuis l’échelle de Kolmogorov jusqu’à l’échelle intégrale. Toutefois, si on considère un écoulement diphasique, la présence d’une interface et donc d’une discontinuité dans le domaine, compromet la possibilité de résoudre une DNS complète de ces écoulements. Ceci est d’autant plus vrai si les phénomènes physiques comme l’évaporation ou les transferts thermiques sont présents à l’interface. Alors, le co^ut de calcul de l’écoulement complet, en incluant chacune des phases, devient prohibitif. De plus, la quasi totalité des simulations DNS ont été effectuées pour des configurations à pression atmosphérique. En utilisant le code Asphodèle du laboratoire et en ajoutant la thermodynamique et la physique des fluides réels, on souhaite réaliser une des premières DNS supercritique. L’objectif de ce chapitre est de décrire dans un premier temps le code de DNS qui, gr^ace à sa structure, facilite l’intégration de nouveaux modules comme la thermodynamique des gaz réels ou encore la mise en place de nouvelles configurations. Pour étudier le mélange en proche sortie d’injecteur, la configuration que nous avons introduite dans le code de simulation numérique directe, permet de simuler un jet d’oxygène dans une atmosphère d’hydrogène. Cette configuration sera présentée dans la dernière partie de ce chapitre dans laquelle nous en profiterons pour faire un rappel sur les couches de mélange et les phénomènes physiques qui y sont associés. Enfin nous allons détailler les modifications qui ont été apportées sur les équations de transport et sur les méthodes permettant de déterminer les champs de température et de pression. 84 Asphodèle : un code de simulation numérique directe supercritique 3.1 Présentation du code Asphodèle 3.1.1 Un code à structure modulaire Le solveur Asphodèle est la troisième révision majeure du code de DNS développé au CORIA depuis une dizaine d’années. Écrit entièrement en Fortran 90, il a été développé avec comme principe de base : la modularité. Le principe de modularité fait que la validation des autres modules et notamment ceux concernant la thermodynamique reste valable m^eme si l’on change la configuration géométrique ou si l’on ajoute d’autres modules. Chaque élément majeur du solveur est donc interchangeable, de manière transparente gr^ace aux principes des interfaces. Les éléments principaux qui composent le code sont les suivants : • Maillage : en fonction de la configuration étudiée, il peut ^etre utile de résoudre les équations de la mécanique des fluides selon des projections différentes. C’est pourquoi, le solveur est à m^eme de travailler avec : – – – – des configurations classiques 1D/2D/3D cartésiennes, une configuration 2D axisymétrique, des configurations 0D (réacteurs homogènes), une configuration 1D sphérique. • Intégration temporelle (explicite) : méthode de Runge Kutta avec stockage minimal des données [100] d’ordre 3 en temps. Une intégration temporelle de style Euler d’ordre 2 a également été ajoutée. • Dérivées spatiales : La méthode de dérivée spatiale, initialement présente dans le solveur, est une méthode PADE d’ordre 6 en espace [49]. De précision élevée, ce schéma n’est pas dissipatif et permet d’effectuer des DNS réalistes d’écoulements turbulents. Cependant, il est très exigeant et impose une forte limitation au niveau des gradients et donc du nombre de Reynolds turbulent dans le problème étudié. Deux modules de type différence finie d’ordre deux et quatre ont été introduits dans le code. La gestion modulaire fait que le passage à toute autre méthode est simple et transparent pour les autres parties du code qui se contentent de faire appel à une bo^ıte noire de dérivation. • Conditions aux limites : pour le solveur à faible nombre de Mach, différentes conditions limites peuvent ^etre utilisées comme les conditions de Dirichlet et Von Neumann ainsi que des conditions plus classiques comme les conditions périodiques ou de symétrie. • Thermodynamique et propriétés physiques : l’ensemble des propriétés physiques (capacités thermiques, viscosité, nombres de Schmidt, etc) peut ^etre considéré comme constant 3.1 Présentation du code Asphodèle 85 ou variable. Dans le cas où elles varient, le code Asphodèle a été développé avec un module de transport multi-espèces pour des gaz parfaits. Désormais, le module gaz réels, que nous avons développé et qui a été présenté au chapitre 2, a été intégré au solveur. • Réaction chimique : l’aspect thermodynamique est propre au solveur pour un calcul optimal des propriétés des composants cependant, concernant l’aspect réactif, le code a été couplé avec plusieurs solveurs de cinétique chimique tel CHEMKIN [93], qui présente l’avantage d’^etre en Fortran et transportable facilement sur de nombreuses machines, CANTERA [35], qui est un solveur open-source du Caltech, est plus récent mais il est écrit en C (donc pouvant mener à des difficultés de compilation en fonction de la plate-forme utilisée), et enfin des solveurs classiques de type Arrhénius, pour des cinétiques simples, développées au laboratoire. • Équations résolues. Le solveur est à m^eme de résoudre les équations de Navier-Stokes soit en les considérant sous leur forme pleinement compressible (full Mach number) ou alors, en appliquant une hypothèse à faible nombre de Mach (low Mach number) permettant de s’affranchir de la résolution de la propagation des ondes acoustiques. Comme nous en avons discuté au premier chapitre, c’est la deuxième solution qui a été retenue. Cette approximation modifie légèrement les équations de transport comme cela a été détaillé dans ce m^eme chapitre. Par contre, elles ont été introduites dans le code sous une forme normalisée et sont présentées dans la partie suivante. 3.1.2 Les équations de transport résolues Les équations de Navier-Stockes ne sont pas résolues directement sous leur forme usuelle car lors de calculs numériques, afin de ne pas gérer de paramètres trop proches de l’erreur machine, il est bon d’effectuer les calculs avec des variables proches de l’unité. Pour cela, les variables dites réelles comme les grandeurs thermodynamiques (par exemple la densité ρ) sont divisées par une valeur de référence (ρ∞ ) qui n’a pas forcément une représentation physique précise mais qui suit les lois comportementales (notamment la loi d’état) parfaitement définies. Ces valeurs de référence, qui caractérisent un état de référence, sont utilisées afin de normaliser les équations de transport par le biais des nombres adimensionnels classiques comme : le nombre de Reynolds : Re = x0 U0 ρ∞ µ∞ (3.1) U02 x0 g0 (3.2) le nombre de Froude : Fr = 86 Asphodèle : un code de simulation numérique directe supercritique le nombre de Schmidt : Sc = µ ρD (3.3) Pr = Cp µ λ (3.4) et le nombre de Prandtl : Afin de ne pas alourdir les expressions, il est utile d’introduire de nouvelles variables normalisées : λ+ = D + Cp∗ µ∗ R e Pr (3.5) µ∗ = ∗ ρ Re Sc (3.6) µ∗ Re (3.7) µ+ = En introduisant ces nouvelles variables dans les équations de transport, on obtient les équations ci-dessous, présentées en projection cartésienne et sous leurs formes normalisées. L’exposant ∗ est enlevé pour alléger les équations : – Équation de conservation de la masse : ∂ρ ∂ρ Ui + = 0 ∂t ∂xi (3.8) – Équation de conservation de la quantité de mouvement : ∂ρ Ui ∂ρ Ui Uj + ∂t ∂xj = − 1 ∂ P (1) ∂ σij + γM 2 ∂xi ∂xj avec σij le tenseur des contraintes normalisé, défini par la relation : ∂ Ui ∂ Uj 2 ∂ Uk + σij = µ + − µ+ δij ∂xj ∂xi 3 ∂xk (3.9) (3.10) – Équation de conservation de l’espèce j : ∂ρ Yj ∂ρ (Ui + Uc ) Yj + ∂t ∂xi ∂ + ∂ Yj = ρ Djm ∂xi ∂xi (3.11) 3.1 Présentation du code Asphodèle 87 – Équation de conservation de l’énergie : ∂ ∂ (σij Ui ) ∂ρ h ∂ρ Ui h +∂ T + = λ + M 2 (γ − 1) + ∂t ∂xi ∂xi ∂xi ∂xi M 2 (γ − 1) ρ Fi Ui + ρ Ṗ Fr (3.12) Le lecteur peut se référer à l’annexe E qui présente en détail la normalisation des équations de transport. Ces équations de transport sont les équations préconisées par Poinsot et Veynante [74]. On remarque dans l’équation de conservation des espèces, et particulièrement dans le terme de convection, l’apparition d’une "vitesse" de correction. Cette vitesse est définie par la relation : Uc = ns X j=1 + Djm ∂Yj ∂xi (3.13) Ce terme est ajouté dans l’équation de conservation des espèces pour assurer la conservation de la masse globale du système. Les raisons sont expliquées dans [74]. Pour vérifier la stabilité du code, une configuration a été mise en place afin de réaliser une simulation à température constante. Les résultats obtenus dans ces conditions ont montré des variations de température bien qu’elle ait été initialisée comme étant constante dans tout le domaine. Ces problèmes de variations de la température sont dus à cette "vitesse" de correction. Si on reprend les équations de conservation et qu’on applique l’équation 3.11 aux espèces concernées, on obtient : ∂ ∂ YO2 ∂ ρ YO2 ∂ρ (Ui + Uc ) YO2 + + = ρ DO2 m (3.14) ∂t ∂xi ∂xi ∂xi ∂ ∂ ρ YH2 ∂ρ (Ui + Uc ) YH2 ∂ YH2 + + = ρ DH2 m (3.15) ∂t ∂xi ∂xi ∂xi Si on multiplie chacune des équations précédentes par l’enthalpie molaire partielle de l’espèce considérée et qu’on additionne ces deux équations, on a alors : ∂ ρ (Ui + Uc ) (YO2 h,O2 +YH2 h,H2 ) ∂ ρ (YO2 h,O2 +YH2 h,H2 ) = − + ∂t ∂xi ∂ (YO2 h,O2 ) ∂ + ρ DO2 m + ∂xi ∂xi ∂ ∂ (YH2 h,H2 ) + ρ DH2 m ∂xi ∂xi (3.16) 88 Asphodèle : un code de simulation numérique directe supercritique Or, ns P j=1 Yi h,i = hm avec hm l’enthalpie massique et h,i l’enthalpie massique partielle. De plus, la température étant constante, l’enthalpie massique et l’entalpie massique partielle ne varient pas avec la température et restent donc constantes dans tout le domaine, quelque soit l’espèce considérée. Ainsi l’équation 3.16 devient : " n # s X ∂ρ (Ui + Uc ) hm ∂ ∂ρ hm + ∂ Yj = − + ρ (3.17) h,j Djm ∂t ∂xi ∂xi ∂xi j=1 et on s’aperçoit que l’on retrouve une partie de l’équation de conservation de l’énergie (équation 3.12). Si on ne tient pas compte des trois derniers termes de l’équation 3.12, les équations 3.17 et 3.12 ne sont les m^emes que si l’on ajoute une vitesse de correction Uc à l’équation 3.12. L’ajout de la vitesse de correction dans l’équation de transport a permis de stabiliser le code dans les conditions qui nous intéressent et ainsi de vérifier dans nos simulations que la température restait constante si elle était initialisée comme étant constante. Nous venons de présenter la structure du code Asphodèle ainsi que les équations qui permettent de déterminer à chaque pas de temps les grandeurs que sont l’enthalpie, les fractions massiques des différentes espèces ou encore la vitesse de l’écoulement. On remarque dans ces équations la présence de grandeurs thermodynamiques qui ne sont pas résolues directement mais dont il est nécessaire de conna^ıtre la valeur à chaque instant comme la température (équation de l’énergie), la densité (équation de la masse) et la pression (équation des moments). Pour déterminer ces variables du code, des modèles ont déjà été mis en place dans le code en utilisant les lois des gaz parfaits. C’est pourquoi il a fallu introduire de nouvelles méthodes afin de tenir compte des effets de gaz réels et surtout d’optimiser les temps de calcul qui deviennent rapidement critiques. 3.2 3.2.1 Un code adapté pour les hautes pressions Détermination du champ de pression La détermination du champ de pression dépend, comme cela a été décrit en partie 1.4, de la méthode utilisée. Dans le cas de configuration à faible nombre de Mach, la pression est déterminée en résolvant une équation de Poisson qui s’écrit sous la forme : ∂ρ Uin ∂ρ n+1 + ∂ ∂ρ Ui Uj ∂τij ∂ 2 P (1) ∂t ∂xi = + − + (3.18) ∂x2i δt ∂xj ∂xi ∂xi Deux versions du code ont ainsi été développées dont une première version utilisant le module Fishpack [75] qui permet, si on donne le terme de droite de l’équation 3.18, de conna^ıtre le champ de pression. Cette méthode est très co^uteuse en temps de calcul car elle effectue une inversion de matrice ce qui limite le nombre de points pour avoir des temps de calcul raisonnables. 3.2 Un code adapté pour les hautes pressions Pour tenter de remédier à ce problème, une méthode qui utilise les propriétés mathématiques des transformées de Fourier a été introduite. Cette deuxième version du code est destinée à tourner sur des machines vectorielles en utilisant la bibliothèque MathKeisan qui permet d’effectuer des transformées de Fourier 1D, 2D et 3D de type complexe/complexe, réelle/complexe et réelle/réelle. Il a donc fallu changer la résolution de l’équation de Poisson en introduisant un module de Transformées de Fourier Rapides (FFT). Avec les FFT, la résolution s’effectue par bloc (dans notre application, le bloc correspond au domaine complet) et non plus en chaque point du maillage. En plus d’avoir une meilleure précision, le gain en temps de calcul permet ainsi d’accro^ıtre le nombre de points ce qui permettrait soit d’augmenter la taille du domaine, soit de mettre d’avantage de points en conservant la taille du domaine afin d’augmenter la résolution du maillage. Pour résoudre l’équation de Poisson, on utilise les propriétés mathématiques des FFT. Lorsqu’on effectue une transformée de Fourier d’une fonction, la dérivation ou l’intégration de cette fonction dans l’espace physique revient à faire une multiplication ou une division dans l’espace de Fourier. Connaissant en chaque point du domaine la valeur du terme de droite de l’équation 3.18, on peut intégrer deux fois cette fonction dans l’espace des phases et une fois revenu dans l’espace physique on conna^ıt la valeur du champ de pression. Cette version vectorielle du code a été utilisée sur le calculateur vectoriel de l’IDRIS 1 . Cependant, certaines restrictions doivent ^etre prises en compte comme la condition de périodicité sur les bords ainsi que le nombre de points du domaine qui doit ^etre égal à une puissance de 2. 3.2.2 Détermination du champ de température Pour extraire la température à partir de l’enthalpie du mélange, il s’agit de faire, avec les modèles gaz parfaits, une simple recherche de zéro de type Newton-Raphson car l’enthalpie est un polyn^ome dont la température est une variable. Dans ce cas, cette équation est une fonction linéaire ce qui n’est pas le cas avec les modèles gaz réels (cf. équation 2.52). La détermination de la température à partir de l’enthalpie est une procédure qui, déjà en gaz parfaits, se révèle co^uteuse en temps de calcul. Pour extraire la température du champ d’enthalpie molaire, diverses méthodes ont été introduites dans le code et testées afin de garder la plus efficace. Recherche de zéro La première méthode introduite dans le code a été calquée sur la méthode des gaz parfaits. On effectuait alors une recherche de zéro en chaque point du domaine pour que l’enthalpie molaire calculée avec les fractions massiques du code et la température choisie corresponde à l’enthalpie molaire du code. On utilisait la méthode de recherche de zéro développée par Van Wijngaarden Dekker Brent [75] qui est utilisable pour résoudre n’importe quelle équation (linéaire ou non). Cette méthode n’est pas applicable avec les équations des gaz réels car les temps de calcul deviennent rapidement prohibitifs. 1 Institut du Développement et des Ressources en Informatique Scientifique. 89 90 Asphodèle : un code de simulation numérique directe supercritique Méthode dite des "arbres" Nous avons donc développé une nouvelle procédure s’inspirant des méthodes utilisées en combustion : la génération de tables thermodynamiques In-Situ. Plut^ot que d’effectuer des tabulations standards contenant de nombreuses données non utilisées et co^uteuses en mémoire, une arborescence est générée à partir d’un vecteur dont les composantes sont les fractions massiques et l’enthalpie. Pour chaque point du maillage, deux possibilités peuvent se présenter : – le vecteur (Yi ,h) correspond à un calcul déjà effectué, à un niveau de tolérance donné, et la recherche de zéro est inutile puisque pour ce vecteur (Yi ,h) donné, on conna^ıt la température associée qui a déjà été calculée par la recherche de zéro, – dans le cas contraire, la recherche de zéro est effectuée et le vecteur est stocké pour une utilisation ultérieure. Le calcul a gagné un rapport 5 dans son temps d’exécution, rendant possible les simulations d’écoulement DNS en gaz réels, avec des temps de calculs raisonnables. Pour diminuer encore le temps d’exécution, ces données sont stockées sous forme de pointeurs pour que l’accès soit plus rapide. Méthode des variations Pour diminuer encore les temps de calcul, une troisième méthode a été testée et s’est avérée ^etre la plus efficace. Cette méthode est utilisée par Bellan et al [8] dans son code compressible pour extraire la température à partir de l’énergie. Nous l’avons adaptée à la résolution des équations à faible nombre de Mach et appliquée à l’enthalpie. Cette méthode consiste à déterminer la variation de température et pression entre un état 1 à un état 2 lorsqu’on conna^ıt la variation de l’énergie et du volume permettant de passer de l’état 1 à l’état 2 pour une concentration donnée. Dans la formulation Low Mach, la pression thermodynamique étant constante dans le domaine, si on conna^ıt la variation d’enthalpie, on peut alors conna^ıtre la variation de température et de volume associée à cette transformation. D’après l’équation 2.57 : dh = cp dT + (αh + v) dP (3.19) Pour résoudre le problème complet, il faut conna^ıtre la variation de volume molaire en fonction de l’enthalpie molaire pour une pression et une température données. Pour déterminer la variation de volume, on différencie le volume molaire en fonction des autres variables de l’écoulement. Ainsi pour une concentration donnée (les Yi sont constants), on obtient l’équation : dv = ∂v ∂v ∂v dT + dh + dP ∂T ∂h ∂P (3.20) 3.2 Un code adapté pour les hautes pressions 91 La pression thermodynamique étant constante dans tout le domaine, on a alors dP = 0 dans les équations 2.57 et 3.21. D’après l’équation 2.30 et en prenant l’équation de la chaleur 2.61, on obtient une nouvelle équation pour dh : dh = cv dT + αl dv + v dP (3.21) ∂v = α1l pour une pression et une température données. À partir de l’équation 2.77, Alors ∂h P,T ∂v on obtient l’expression de ∂T tel que : ∂P ∂T v ∂P ∂v (3.22) = 1 ∂ v ∂P v ∂P ∂T (3.23) = 1∂v v ∂T (3.24) χv = − d’où : ∂v = χv v ∂T (3.25) Pour conna^ıtre la variation de température dT , il reste à résoudre le système suivant : dh = cp dT ce qui donne : dv = χv v dT + dT = dv = 1 cp 1 αl dh (3.26) dh χv v cp + 1 αl (3.27) dh avec αl qui est défini par la relation : αl = T ∂P ∂T ∂P ∂T (3.28) est donné par l’équation d’état (cf. équation 2.35). On peut écrire dh = h2 −h1 en choisissant h2 = ht+1 et h1 = ht ce qui implique : dT = T t+1 − T t (3.29) t+1 t dv = v − v 92 Asphodèle : un code de simulation numérique directe supercritique Pour conna^ıtre la valeur de T et v à l’instant t + 1, on utilise un système itératif. Cette résolution s’effectue une fois les équations de conservation résolues, les valeurs Yit+1 et ht+1 étant alors connues. On introduit dans le système itératif Yit+1 , les enthalpies des itérations t et t+1 qui sont fixées ainsi que la température et le volume molaire de l’itération t. Les grandeurs introduites dans le système itératif des itérations t servent de point de départ afin de minimiser le nombre d’itérations. À partir de T t , v t et les Yit+1 , on peut calculer les grandeurs χ∗v , c∗p et αl∗ associées et, avec le système 3.29, on détermine les variations dT et dv. Les grandeurs T ∗ et v ∗ sont calculées telles que : dT = T ∗ − T t (3.30) ∗ t dv = v − v On calcule à partir de T ∗ , v ∗ et Yit+1 , l’enthalpie correspondante (h∗ ) et on vérifie le critère d’arr^et défini par la relation : t+1 h − h∗ 6 (3.31) h∗ où est le critère d’arr^et qui correspond à la précision de l’algorithme. Si la relation 3.31 est vérifiée alors les champs de valeurs T ∗ , v ∗ correspondent à T t+1 et v t+1 . Sinon on refait une nouvelle itération en partant non plus de T t et v t mais de T ∗ et v ∗ . On résume l’algorithme sur le diagramme de la figure 3.1. Cette méthode s’applique lorsqu’on utilise la version Low Mach du code. On a également introduit la méthode utilisée par Bellan et al pour le cas d’une résolution compressible adaptée pour tenir compte non pas de l’énergie mais de l’enthalpie. Dans le cas Full Mach, les équations de conservation donne ρ (qui permet de calculer la valeur de v), Yi et h à l’instant t + 1. On a alors besoin de conna^ıtre T t+1 et P t+1 tels que : dT = T t+1 − T t (3.32) dP = P t+1 − P t avec dP et dT définis ainsi : dT 3.2.3 = χT v χv +χT cv dP = χv v χv +χT cv dh + 1−T χv v χv +χT cv dh − cp /v v χv +χT cv dv (3.33) dv Détermination de la densité Une fois déterminées la température et la composition, pour calculer la densité d’un fluide ou d’un mélange de fluides, il reste à utiliser une équation d’état parmi celles présentées au 3.2 Un code adapté pour les hautes pressions ht+1 Yit+1 93 P Tt vt Tt = T∗ vt = v∗ On calcule h∗ , c∗p , l∗ et χ∗v dh = ht+1 − h∗ dT = dv = 1 c∗p χ∗v vt c∗p dh + 1 l∗ dh t+1 ∗ h −h h∗ ≥ǫ T ∗ = T t + dT v ∗ = v t + dv À partir de T ∗ , v ∗ , P et Y t+1 on calcule un nouveau h∗ t+1 ∗ h −h h∗ ≤ǫ La méthode itérative se termine T t+1 = T ∗ v t+1 = v ∗ On déduit ρt+1 à partir de v t+1 F IG . 3.1 – Organisation de la méthode des variations permettant de déterminer le champ de température à partir des champs d’enthalpie molaire et des fractions massiques. chapitre 2. Ainsi, dans le cas des équations cubiques, en résolvant l’équation du troisième degré en Z (équation 2.6), on peut facilement calculer la densité du mélange. Il faut donc conna^ıtre la pression, la température et les valeurs critiques des éléments qui constituent le mélange. Pour résoudre l’équation cubique, deux méthodes s’offre à nous. La première consiste en une recherche de zéro sur Z. Or, les recherches de zéro sont des algorithmes qui demandent beaucoup de temps de calcul. Pour essayer de toujours ^etre le plus rapide possible, une méthode utilisant un changement de variable a été introduite. Si on choisit une équation cubique quelconque Z 3 + C1 Z 2 + C2 Z + C3 = 0 (3.34) 94 Asphodèle : un code de simulation numérique directe supercritique les coefficients C1 , C2 et C3 de l’équation d’état cubique correspondant sont : C1 = − (1 + B − uB) (3.35) C2 = A + w B 2 − u B − u B 2 (3.36) C3 = −AB − w B 2 − w B 3 (3.37) La détermination de la variable Z s’effectue selon l’algorithme suivant : – On effectue le changement de variable Z = Z1 −C1 /3 pour que l’équation 3.34 devienne : Z13 + C4 Z1 + C5 = 0 (3.38) avec C4 = − C22 + C2 3 (3.39) 2 C13 C1 C2 − + C3 (3.40) 27 3 – On effectue un nouveau changement de variable tel que Z1 = Z2 −C4 / (3 Z2 ). L’équation 3.38 devient : C5 = Z26 + C5 Z23 − C43 /27 = 0 (3.41) – Le changement de variable Z3 = Z23 permet alors d’obtenir une équation du second degré : Z32 + C5 Z3 − C43 /27 = 0 (3.42) – Il suffit donc de résoudre l’équation du second degré et en fonction du déterminant on peut avoir une ou deux solutions réelles ou complexes. – Enfin en effectuant les changements de variable dans le sens inverse, on obtient la (ou les) valeur(s) de Z. L’intér^et de cet algorithme est qu’il permet de réaliser ces opérations sur l’ensemble des points du domaine et non plus d’effectuer une recherche de zéro point par point. Ainsi, la résolution de cet algorithme est beaucoup plus rapide. Toutes ces méthodes qui ont été introduites dans le code Asphodèle permettent désormais de réaliser des simulations numériques d’écoulements supercritiques. Ces simulations sont appliquées afin d’étudier le mélange entre les deux ergols qui sont injectés dans la chambre de combustion. Pour ce faire, une nouvelle configuration, représentant une double couche de mélange, est alors introduite dans le code. Elle est présentée dans la dernière partie de ce chapitre. 3.3 Étude d’une couche de mélange supercritique 3.3 Étude d’une couche de mélange supercritique Afin de pouvoir utiliser la version supercritique du code Asphodèle pour l’étude du mélange dans les conditions qui nous intéressent, une nouvelle configuration a été introduite dans le code. Les différentes améliorations qui ont été apportées au code permettent désormais de simuler des configurations multidimensionnelles à pression élevée. Notre choix s’est porté sur une configuration bidimensionnelle permettant de simuler la déstabilisation d’un jet d’oxygène dans une atmosphère d’hydrogène où la pression ambiante est portée à 100 bar. Le choix d’un jet plut^ot qu’une couche de mélange est principalement d^u aux conditions limites permettant l’utilisation de la méthode FFT pour la résolution de l’équation de Poisson. Mais avant de présenter la configuration en détail, nous allons dans un premier temps faire un rappel sur les couches de mélanges, leurs applications et les résultats qui ont déjà été décrits dans la littérature. 3.3.1 Les couches de mélange dans la littérature Il existe dans la nature et dans de nombreuses applications industrielles des écoulements qui mettent en contact des fluides pouvant ^etre de natures différentes, de phases différentes, de vitesses différentes, etc. On peut citer comme exemple les interactions atmosphère/océan, les injecteurs ou encore la confluence d’un fleuve et d’une rivière (figure 3.2). La zone de contact F IG . 3.2 – Mélange des eaux du rio Negro et de l’Amazone. (Crédits : Yann Arthus-Bertrand / Altitude). 95 96 Asphodèle : un code de simulation numérique directe supercritique entre ces deux fluides est la zone où va intervenir le mélange local. De plus, lorsque la couche qui sépare ces deux fluides en contact présente un différentiel de vitesse, c’est à dire que les deux fluides ne sont pas à la m^eme vitesse, on appelle cette zone une couche de mélange. C’est ce qui se passe à la sortie d’un injecteur coaxial où l’oxygène liquide est injecté dans de l’hydrogène supercritique à des vitesses différentes. C’est pourquoi il est important de bien comprendre ce qui s’y passe car le mélange est, dans le cadre de la combustion dans le moteur Vulcain, l’étape qui précède la combustion. Une fois les conditions de mélange réunies entre l’oxydant et le carburant, la combustion peut avoir lieu. La question est alors de savoir comment s’organise le mélange au sein d’une couche de cisaillement pour espérer contr^oler la combustion, réduire la consommation des ergols, etc. Le mélange na^ıt tout d’abord par la création dans la zone de contact de grandes structures liées à la dynamique des fluides. Ces structures tourbillonnaires sont créées par les instabilités de Kelvin-Helmholtz qui vont, selon les cas, s’apparier entre elles puis se briser en diverses instabilités. Par interaction mutuelle, ces tourbillons vont s’enrouler entre eux pour n’en former plus qu’un seul de taille supérieure tout en déclenchant un processus de cascade énergétique. Ce tourbillon va happer une partie de l’un des deux fluides pour le transporter dans l’autre. Ainsi, la couche de mélange va permettre d’homogénéiser toute grandeur présentant des différences dans les deux fluides en contact comme la concentration (rejet de polluants dans l’atmosphère, dilution d’un colorant, etc) ou la température (eau chaude dans un bain plus froid, etc) par exemple. L’espacement entre les tourbillons dépend fortement du champ de vitesse à travers la couche de mélange et donc de l’épaisseur de cette couche. Mais lorsque sont mis en présence deux fluides dont l’un est liquide et l’autre gazeux (ou supercritique) et que la vitesse du liquide est inférieure à celle du gaz, le liquide est atomisé par les forces de cisaillement. C’est sur ce principe qu’ont été développés les injecteurs coaxiaux du moteur Vulcain, dont les vitesses d’injection sont approximativement 100 m/s pour l’hydrogène et 20 m/s pour l’oxygène. Or, la présence d’une interface dans une simulation numérique directe est très difficile à prendre en compte et demande des calculs supplémentaires qui augmentent d’avantage la durée du calcul. On peut citer les travaux de Ménard et al [57, 58] qui ont travaillé sur l’injection d’un jet dense dans de l’air à pression atmosphérique. La prise en compte d’une interface dans le cadre d’une DNS supercritique est pour le moment impossible, faute de calculateur et de code numérique capables de simuler de telles conditions. En effet, lorsque la pression devient importante, si on simule un jet liquide dans une atmosphère gazeuse ou supercritique, il faut tenir compte de la dissolution du gaz dans le liquide et la présence de l’interface dans le domaine de calcul ne peut ^etre uniquement déterminée en transportant une fonction de phase comme dans les études de Ménard et al. La thermodynamique joue alors un r^ole important et doit ^etre prise en compte d’où un accroissement des temps de calcul. En effet, la dissolution de la phase légère (gazeuse ou supercritique) dans la phase liquide, présentée dans la partie 2.2.2, doit ^etre prise en compte. C’est pourquoi dans nos simulations, seuls des fluides de m^eme nature sont utilisés, essentiellement des couches de mélange supercritique/supercritique. 3.3 Étude d’une couche de mélange supercritique En plus des variations de vitesse entre les fluides, le mélange impose des variations des propriétés thermo-physiques. Ainsi des gradients de densité et/ou de viscosité apparaissent dans la couche de mélange ce qui modifie la dynamique de l’écoulement. On appelle ces écoulements des écoulements stratifiés qui induisent des effets déjà étudiés : – Effet de stratification de densité : il a été montré expérimentalement qu’une différence de densité entre les deux écoulements initiaux formant la couche de mélange modifie la dynamique des structures [13]. Le taux d’épaississement de la couche, la vitesse et la forme des tourbillons se trouvent profondément altérés [88]. – Effet de stratification de viscosité : selon certaines études, résumées dans la thèse de Talbot [90], les résultats montrent qu’une zone de contact fluide soumise à une stratification de la viscosité dynamique est conditionnellement instable et engendre de manière violente des modes d’instabilité de courtes longueurs d’onde lorsque : – Le ratio de viscosité se situe entre 1 et 30 et ce, quelque soit le nombre de Reynolds, – L’épaisseur de diffusion entre les deux fluides à l’interface est inférieure à une épais1/3 seur critique, proportionnelle à αRe (α est le coefficient apparaissant dans l’équation d’Orr-Sommerfield) [52]. Si l’épaisseur est plus importante que ce seuil critique, le mode de cisaillement est préférentiellement excité au détriment du mode interfacial qui est beaucoup plus stable sur une gamme de Reynolds élargie. Ces effets de stratification sont particulièrement étudiés par les géophysiciens dans l’étude des écoulements de magma lors d’irruptions volcaniques. En effet, la lave qui s’écoule sur les pentes du volcan se refroidit et ralentit sur les bords de la coulée et devient donc plus dense et plus visqueuse en faisant appara^ıtre une couche de mélange. Or, le mélange entre l’oxygène et l’hydrogène en sortie d’injecteur implique également de la stratification et on verra les conséquences sur l’écoulement. La plupart des études qui portent sur le mélange, et plus particulièrement sur les couches de mélange, ont été appliquées à des cas où la pression est la pression atmosphérique. Mais lorsque la pression augmente, quelles peuvent ^etre les conséquences sur de tels écoulements surtout pour le mélange qui nous intéresse (O2 /H2 ) ? Le manque de données expérimentales oblige les industriels à développer des simulations numériques et à notre connaissance, une seule simulation numérique directe supercritique a été mise au point par Bellan et al et présentée au chapitre 1. C’est pourquoi cette étude a été mise en place dans le but d’étudier le mélange en condition supercritique avec une simulation numérique directe et dont l’objectif est, dans un premier temps, de se rapprocher des conditions utilisées par Bellan et al [3, 8]. Pour mener à bien cette étude, une nouvelle configuration a été introduite dans le code Asphodèle et est 97 98 Asphodèle : un code de simulation numérique directe supercritique présentée dans la partie suivante. 3.3.2 Couche de mélange temporelle Cette configuration a pour objectif d’étudier l’influence de la physique et de la thermodynamique sur le mélange des réactifs appliqué au cas d’un injecteur coaxial. Dans la chambre de combustion, l’oxygène, qui est injecté à une vitesse plus faible que l’hydrogène, se pulvérise sous l’action des forces de cisaillement créant un brouillard de gouttelettes. Tout n’étant pas pulvérisé, un dard liquide existe jusqu’à une certaine distance à partir de laquelle les conditions critiques sont atteintes à l’interface. Au-delà de ce point, il reste deux fluides de m^eme nature (supercritique) et une couche de mélange appara^ıt. La configuration choisie pour étudier le mélange supercritique est une couche de mélange temporelle car c’est la configuration la plus simple qui permette le développement de couche de cisaillement, qui est un des processus principaux de formation de production de turbulence dans la nature ou dans les applications industrielles. La couche de mélange temporelle s’apparente grandement à une couche de mélange spatiale mais elle permet des simulations sur un domaine physique beaucoup plus petit, ce qui présente un avantage non négligeable en DNS. À la différence d’une couche de mélange spatiale, la couche de mélange temporelle revient à suivre une ou plusieurs structures cohérentes qui grandissent avec le temps, mais dans ce cas on ne tient pas compte des effets de symétrie de l’écoulement. C’est aussi la méthode choisie par Bellan et al pour sa DNS [3]. C’est pourquoi, les équations de Navier-Stokes utilisées pour cette étude sont choisies sous leur forme cartésienne afin de simuler une couche de mélange plane. Bien que pour simuler l’écoulement issu d’un injecteur coaxial une version axisymétrique aurait pu ^etre choisie, la phénoménologie de base est similaire mais nous aurions perdu la périodicité selon la direction transverse du jet ce qui générait un co^ut de calcul très élevé. De plus, la zone d’étude de notre simulation est située assez loin de l’injecteur pour que l’oxygène, initialement liquide passe en phase supercritique, afin d’^etre certain de ne pas trouver d’interface dans le domaine. Conditions limites Les conditions limites qui ont été appliquées sont des conditions périodiques sur les deux directions. Selon l’axe y, donc transverse au jet, la condition de périodicité permet de simuler la présence d’injecteurs voisins de chaque c^oté du jet. Cette hypothèse semble réaliste car les réactifs sont injectés dans la chambre de combustion à travers 516 injecteurs. Ainsi, l’impact des deux voisins (pour un cas 2D) est pris en compte. Pour l’axe x, on a également choisi d’appliquer des conditions limites périodiques afin de permettre au jet de se déstabiliser. Comme pour toute simulation numérique directe, la taille du domaine est toujours réduite et avec l’adimensionnement des équations de transport elle est inversement proportionnelle à la pression. Vu que l’on cherche à atteindre une pression de 100 bar, la taille du domaine se trouve donc di- 3.3 Étude d’une couche de mélange supercritique 99 Version séquentielle Version vectorielle Axe x y Nombre de points 801 201 Nombre de points 1025 257 TAB . 3.1 – Nombre de points dans les deux directions du domaine pour la version séquentielle et vectorielle visée par 100 par rapport à une DNS à pression atmosphérique. Si on avait choisi une condition d’entrée et de sortie il ne se passerait rien car le jet sortirait du domaine avant de commencer à se déstabiliser. Afin d’étudier les mécanismes du mélange, on décide alors de réinjecter ce qui sort du domaine, dont les fluctuations de vitesse, afin de déstabiliser d’avantage le jet. On étudie alors les effets dans le temps et non dans l’espace : c’est une couche de mélange temporelle. Domaine de calcul et maillage La configuration introduite dans le code Asphodèle est une configuration bidimensionnelle permettant de simuler la déstabilisation d’un jet en condition supercritique. En fonction de la méthode de calcul choisie pour le calcul de la pression, plusieurs maillages ont été utilisés. Ils sont présentés dans le tableau 3.1 où δ représente l’épaisseur initiale de la couche de mélange. On note que pour la version utilisant le solveur FFT, le nombre de points, qui est égal à 2n + 1, est imposé par la FFT. Initialisation des variables de l’écoulement L’initialisation des grandeurs de l’écoulement que sont les vitesses d’injection, les températures et les fractions molaires varient en fonction des cas à traiter afin de pouvoir régler les densités ainsi que les facteurs de compressibilité des réactifs. Les grandeurs thermodynamiques sont choisies en fonction du diagramme de phase du mélange H2 /O2 présenté sur la figure 2.4. Dans notre étude, le mélange ne concernera que des fluides de m^eme nature (gaz/gaz ou supercritique/supercritique) ou qui ne présentent pas de discontinuité à la surface de contact entre les deux fluides (gaz/supercritique). Les champs d’enthalpie sensible, de composition et de température ne peuvent ^etre initialisés indépendamment les uns des autres pour conserver l’énergie dans le domaine. L’initialisation des grandeurs thermodynamiques s’effectue selon la méthode suivante : 1. Initialisation des fractions massiques avec une fonction tangente hyperbolique. On présente sur la figure 3.3 le profil de la fraction massique de O2 . La fonction tangente hyper- 100 Asphodèle : un code de simulation numérique directe supercritique 1 0.8 Y O 2 (−) 0.6 0.4 0.2 0 0 0.5 1 y* (−) 1.5 2 F IG . 3.3 – Coupe, selon l’axe x∗ , du champ de fraction massique de O2 à l’instant initial. bolique est initialisée de sorte que le nombre de points dans le gradient soit suffisamment important. Cela dépend de l’épaisseur de ce gradient qui correspond donc l’épaisseur de la couche de mélange et qui sera noté δ par la suite. 2. Calcul de la valeur de l’enthalpie molaire pour l’oxygène pur à sa température d’injection hO2 et de l’enthalpie molaire pour l’hydrogène pur à sa température d’injection hH2 . On utilise à nouveau la fonction tangente hyperbolique pour calculer le champ d’enthalpie molaire hm en utilisant comme borne pour la fonction hO2 et hH2 . 3. On utilise l’algorithme présenté ci-avant pour extraire le champ de température T (x, y) à partir de hm (x, y) et des Yi (x, y). 4. Enfin, l’équation d’état permet de calculer la densité de l’écoulement ρ (x, y). Pour les différentes composantes de la vitesse, on initialise tout d’abord le champ de vitesse transverse (Uy ) à 0. Pour la vitesse axiale du jet (Ux ), on utilise le m^eme profil que pour la fraction massique avec, au centre du jet, la vitesse UO2 et sur les bords du jet, UH2 . La valeur normalisée choisie pour ces deux vitesses sont 1 et 0.2 pour UH2 et UO2 respectivement. En choisissant 100 m/s pour UH2 , on déduit la valeur de UO2 qui est égale à 20 m/s. Afin de déstabiliser plus rapidement le jet et permettre d’accélérer le mélange, un bruit blanc est ajouté à la vitesse du jet qui correspond à des fluctuations de vitesse très faibles devant les vitesses UO2 et UH2 . Ainsi, ces petites perturbations vont déstabiliser le jet et créer de petites structures tourbillonnaires qui vont fusionner pour former de plus grandes structures. Cette vitesse est calculée en multipliant la dérivée du vecteur Ux selon y par un nombre aléatoire A compris entre 1 et 10 et en multipliant par un facteur très faible devant les vitesses UO2 et UH2 (dans 3.3 Étude d’une couche de mélange supercritique 101 notre cas 10−3 ) : Ublanc = A × ∂ Ux × 10−3 ∂y (3.43) Alors que la configuration avec ses conditions limites, ses grandeurs physiques et thermodynamiques ainsi que le domaine ont été présentés, il est désormais possible de réaliser les premières simulations numériques directes supercritiques à faible nombre de Mach. Ces simulations ont été rendues possible par l’introduction dans le code Asphodèle des modèles thermophysiques permettant de déterminer les grandeurs de l’écoulement. Il a également fallu adapter et le code et le modifier pour que ces simulations soient réalisables en des temps acceptables. À partir des résultats extraits de la couche de mélange temporelle, on pourra étudier le mélange, les effets de la pression, les effets des modèles thermo-physiques, etc. Ces résultats sont présentés dans le dernier chapitre de ce travail. 102 Asphodèle : un code de simulation numérique directe supercritique Chapitre 4 Simulation de la déstabilisation d’un jet en condition supercritique Dans les précédents chapitres de cette thèse, nous avons présenté le code Asphodèle ainsi que les modules qui ont été introduits dans le code. Ces nouveaux algorithmes permettent de réaliser des simulations numériques directes en conditions supercritiques avec des temps de calcul convenables. De plus, pour étudier le mélange local des réactifs en proche sortie d’injecteur, une configuration permettant de simuler un jet d’oxygène dans une atmosphère d’hydrogène a été mise en place et détaillée au chapitre précédent. L’étude du mélange avec une simulation numérique directe permettra de mieux comprendre et caractériser des phénomènes physiques qu’il est actuellement impossible d’observer expérimentalement. Or, très peu d’auteurs ont travaillé sur ce sujet et c’est pourquoi l’étude de Bellan et al [3] qui présente une simulation numérique directe d’une couche de mélange supercritique a servi de base pour notre étude. Mais, comme cela a été souligné en première partie, nous allons utiliser une formulation à faible nombre de Mach pour la détermination du champ de pression. Ce dernier chapitre de la thèse sera consacré à la présentation et à l’exploitation des résultats obtenus à partir des diverses simulations que nous avons réalisées avec le code Asphodèle. Mais avant toute chose, il nous a semblé important de valider les nouveaux modèles et algorithmes présentés aux chapitres 2 et 3 qui ont été introduits dans le code de simulation Asphodèle. Nous étudierons ensuite les limites du code Asphodèle en fonction des conditions initiales des fluides et plus particulièrement en fonction du rapport de densité qui est reporté dans la littérature comme étant un facteur limitant pour les simulations à faible nombre de Mach. Les facteurs de compressibilité des fluides ont également été testés afin de tester la sensibilité du code aux effets de gaz réels. Des différences ayant été observées entre les modèles gaz parfaits et gaz réels, lors de la validation des nouveaux modèles, nous avons mis en place un étude concernant l’impact des différents modèles utilisés pour le calcul des coefficients de transport sur les résultats de la simulation. On verra alors apparaitre un pic de densité dans la zone de mélange du jet et c’est pourquoi nous avons consacré une partie à regarder les effets du nombre de Lewis. Enfin, la 104 Simulation de la déstabilisation d’un jet en condition supercritique dernière partie sera dédiée aux études préliminaires portant sur la validation de modèles RANS et LES utilisés dans certains codes de simulation cités au chapitre 1. 4.1 Validation de la version supercritique du code Asphodèle Après avoir apporté un grand nombre de modifications au code Asphodèle, nous avons, dans un premier temps, cherché à valider les modules et algorithmes apportés au code avant de réaliser les études prévues sur le mélange en condition supercritique. La version supercritique correspond en fait à l’introduction de l’ensemble des modèles physiques permettant de calculer les grandeurs thermodynamiques et les coefficients de transport (présentés au chapitre 2) ainsi que les algorithmes décrits au chapitre 3 pour le calcul du champ de pression, de densité et de température. Bien qu’ayant été testés individuellement, l’intégration de l’ensemble des modèles thermo-physiques doit pourtant ^etre vérifiée. Ainsi, à partir de la version gaz parfaits du code Asphodèle, qui a déjà permis de simuler de nombreuses configurations [16] [81], nous allons comparé les résultats de cette version dont les grandeurs ont été calculées avec les lois des gaz parfaits aux résultats issus de simulations dont les grandeurs physiques ont été déterminées avec le module gaz réels. Par la suite, on utilisera le terme "gaz parfaits" lorsque les grandeurs thermodynamiques sont calculées avec les lois des gaz parfaits et/ou lorsque les coefficients de transport sont déterminés avec le module extrait du logiciel Chemkin qui ne dépend pas de la pression ambiante. Par opposition, "gaz réels" correspond à l’ensemble des modèles présentés au chapitre 2. Pour comparer les résultats extraits de ces deux versions du code, les conditions initiales doivent ^etre identiques tout en s’assurant que les effets de gaz réels soient négligeables. Pour cela, le coefficient de compressibilité doit ^etre proche de 1 dans tout le domaine. Dans un premier temps, nous comparons uniquement les résultats où seules les variables thermodynamiques sont calculées avec les lois des gaz parfaits et des gaz réels. Ainsi, on utilise la m^eme méthode pour le calcul des coefficients de transport pour les deux simulations et nous avons choisi les modèles gaz parfaits pour leur rapidité. Dans ces conditions, les résultats issus des deux simulations doivent ^etre très proches. Par contre, il est nécessaire de préciser que pour le calcul du coefficient de diffusion nous apportons une correction lorsque nous utilisons la méthode des gaz parfaits. Nous avons divisé la valeur issue du modèle gaz parfaits par la pression du milieu (100 bar) car lorsque la pression augmente, le coefficient de diffusion est inversement proportionnel à cette dernière. Ainsi cette division permet de rester proche de ce qui se passe en réalité et de permettre la comparaison avec les modèles gaz réels. Avant de présenter les résultats des simulations, nous allons décrire la configuration utilisée pour cette étude. Les conditions initiales sont une pression de 100 bar et une température d’injection de 225 K et 600 K pour l’hydrogène et l’oxygène respectivement. Dans ces conditions 1.2 1.2 1 1 0.8 0.8 Z (−) Z (−) 4.1 Validation de la version supercritique du code Asphodèle 0.6 0.4 0.2 0 105 0.6 0.4 200 400 600 T (K) 800 1000 0.2 0 Oxygène 200 400 600 T (K) 800 1000 Hydrogène F IG . 4.1 – Évolution du coefficient de compressibilité de l’oxygène et de l’hydrogène en fonction de la température pour une pression de 100 bar. et en effectuant une coupe des diagrammes de la figure 1.3 à la pression utilisée dans notre étude (cf. figure 4.1), on constate que les coefficients de compressibilité des deux espèces sont très proches de 1 ce qui signifie donc que les fluides se comportent comme des gaz parfaits. Les valeurs des coefficients de compressibilité pour les deux fluides dans leur condition initiale sont présentées dans le tableau 4.2. Pour définir le domaine de calcul, nous utilisons les équations présentées au chapitre 3, et plus particulièrement les nombres adimentionnels permettant de normaliser les équations de transport. On voit apparaitre dans ces équations des grandeurs définies comme des grandeurs de référence (ρ∞ , µ∞ , x0 , etc). Ces variables thermodynamiques notées avec l’indice ∞, sont déterminées à partir d’un état de référence quelconque mais elles suivent les lois de comportement comme l’équation d’état. Pour cette configuration, l’état de référence a été choisi comme étant de l’oxygène pur à la température T∞ = 298.15 K, à la pression P∞ = 101133 P a. À partir de ces variables, on peut calculer les densité et viscosité correspondantes : ρ∞ = 1.3054 kg/m3 µ∞ = 2.0486 × 10−5 P a.s En utilisant l’équation du nombre de Reynolds du code (équation 3.1), on peut déterminer la longueur de référence telle que : x0 = Rec µ∞ U0 ρ∞ (4.1) Pour d’avantage de détails sur les grandeurs normalisées, de référence et les grandeurs physiques, le lecteur peut se référer à l’annexe E qui présente la normalisation des équations de transport. Pour des raisons de stabilité numérique due à l’augmentation de la pression, le nombre de Reynolds du code a été fixé à 30 pour le maillage utilisé. Enfin, il reste à détailler le maillage utilisé qui est fonction des vitesses des fluides. Dans la partie 3.3.2, nous avons fixé la valeur des 106 Simulation de la déstabilisation d’un jet en condition supercritique Valeur normalisée (-) Valeur physique (m) Lx Ly e δ dx(=dy) Ly 257 8 2 0.75 0.1 = 0.008 3.8 × 10−5 9.4 × 10−6 3.5 × 10−6 4.7 × 10−7 3.8 × 10−8 m m m m m TAB . 4.1 – Caractérisation des différentes grandeurs liées au maillage. Lx et Ly sont les longueurs du domaine de calcul selon la direction x et y respectivement, e est le "diamètre" du jet, δ est l’épaisseur initiale de la couche de mélange et dx est la longueur d’une maille. vitesses d’"injection" des réactifs. Ainsi, pour l’hydrogène, la valeur de U0 est égale au rapport : U0 = = UH2 UH+2 (4.2) 100 = 100 m/s 1 (4.3) avec UH2 la valeur physique de la vitesse d’injection de l’hydrogène et UH+2 la valeur normalisée correspondante. Finalement, on obtient la longueur de référence x0 égale à 4.7 × 10−6 m et les longueurs du domaine de la simulation, définies par la relation : L = x0 × L + (4.4) sont données dans le tableau 4.1 qui résume toutes les longueurs liées au maillage. Pour comparer les deux simulations, on a extrait à divers instants de la simulation (t∗ = 0, 10 et 20) des champs de densité ainsi que des coupes transverses du jet. Le temps t∗ utilisé pour présenter l’évolution du champ de densité correspond à un temps normalisé qui est défini par la relation : x0 + t (4.5) t∗ = Uo Ainsi, pour les x0 et U0 définis ci-avant, les temps normalisés t∗ = 10 et 20 correspondent à 4.7 × 10−7 s et 9.4 × 10−7 s respectivement. Pour avoir un ordre d’idée, la longueur normalisée selon la direction x étant de 8 et la vitesse axiale normalisée de H2 étant égale à 1, il faut 8 t∗ pour que l’hydrogène, initialement présent à x∗ = 0, traverse complètement le domaine de simulation dans la direction x, soit approximativement 3.8 × 10−7 s. 4.1 Validation de la version supercritique du code Asphodèle 20 30 40 50 60 70 10 y* (−) y* (−) 20 1 0 0 2 4 * x (−) 6 2 20 30 40 50 60 70 70 10 4 * x (−) 6 4 x* (−) 6 10 20 30 40 50 60 70 1 2 4 x* (−) 6 50 ρ (kg/m3) 60 50 ρ (kg/m3) 60 50 40 30 20 20 10 0 10 0 1.5 Coupes à x∗ = 4 et t∗ = 0 2 70 4 * x (−) 6 8 30 40 50 60 70 2 4 x* (−) 6 8 1.5 2 Gaz réels à t∗ = 20 60 1 y (−) 20 0 0 8 70 * 60 1 70 0.5 2 10 70 30 50 1 Gaz réels à t∗ = 10 40 40 2 0 0 8 30 Gaz parfaits à t∗ = 20 y* (−) 1 2 20 0 0 8 2 y* (−) y* (−) 60 Gaz parfaits à t∗ = 10 Gaz réels à t∗ = 0 ρ (kg/m3) 50 1 0 0 8 2 0 0 40 2 Gaz parfaits à t∗ = 0 10 30 2 y* (−) 10 2 107 40 30 20 0.5 1 y (−) * 1.5 Coupes à x∗ = 4 et t∗ = 10 2 10 0 0.5 1 y* (−) Coupes à x∗ = 4 et t∗ = 20 F IG . 4.2 – Champs de densité extraits à t∗ = 0, 10 et 20 des simulations gaz parfaits et gaz réels. Les figures du bas présentent des coupes effectuées au centre (x∗ =4) de la simulation gaz parfaits (carrés noirs) et gaz réels (ronds rouges). Les coefficients de transport sont calculés avec les modèles des gaz parfaits. Les résultats issus des deux simulations sont présentés sur les images de la figure 4.2. Comme pour la plupart des résultats qui seront présentés dans la suite de ce chapitre, nous utilisons la densité comme principale grandeur pour présenter les résultats. Ce choix est motivé par le fait que lorsque l’approximation à faible nombre de Mach est utilisée, la densité n’est pas une variable résolue directement par une équation de transport mais elle est calculée à partir d’autres variables qui sont résolues par une équation de transport (fractions massiques) ou déterminées par des lois thermodynamiques (température). On constate initialement, sur la coupe de la figure 4.2 à t∗ = 0, une légère différence entre les deux modèles, principalement du c^oté de l’oxygène. Cette différence s’explique par l’utilisation des lois des gaz réels qui diffèrent légèrement des lois des gaz parfaits m^eme lorsque le coefficient de compressibilité est proche de 1. On retrouve d’ailleurs ces légères différences sur les autres coupes de figures 4.2. Finalement, l’évolution temporelle des champs de densité étant quasiment identique pour les deux 108 Simulation de la déstabilisation d’un jet en condition supercritique x L (m) δ (m) Rec (-) 3.76×10−5 y 9.4×10−6 4.7×10−7 30 O2 Pression (bar) Vitesse (m/s) Température (K) Densité (kg/m3 ) Coefficient de compressibilité (-) H2 100 20 600 63.3 1.02 100 225 10.6 1.04 Modèle Viscosité Conductivité thermique Diffusion des espèces Chung et al [20] Ely et Hanley [31] Fuller et al [33] + Takahashi [89] TAB . 4.2 – Description complète de la configuration de référence simulations, on peut conclure que le calcul des grandeurs thermodynamiques ainsi que les algorithmes présentés au chapitre 3 se comportent parfaitement. Après avoir validé le module permettant de calculer les variables thermodynamiques, nous allons vérifier le comportement du module calculant les coefficients de transport. En conservant la m^eme configuration que précédemment, nous utilisons maintenant, en lieu et place des modèles des gaz parfaits pour le calcul des coefficients de transport, les nouveaux modèles qui tiennent compte de la pression. Les modèles utilisés sont les modèles de Chung et al [20], Ely et Hanley [31] et la méthode de Fuller et al [33] associée à la correction de Takahashi [89] pour déterminer respectivement la viscosité, la conductivité thermique et les coefficients de diffusion des espèces. Cette configuration, complètement décrite par les modèles des gaz réels, sera nommée par la suite configuration de référence. Elle servira de point de comparaison dans le cadre des différentes études à venir. Cette configuration de référence est présentée dans le tableau 4.2. 4.1 Validation de la version supercritique du code Asphodèle 10 20 30 40 50 60 70 10 20 0 0 2 4 * x (−) 6 60 70 1 0 0 8 10 10 20 30 40 50 2 4 * x (−) 6 60 70 10 2 4 x* (−) 6 8 20 2 30 40 50 60 70 10 20 1 0 0 2 4 x* (−) 6 8 0 0 60 50 50 50 30 3 20 10 0 10 0 Coupes à x∗ = 4 et t∗ = 10 3 40 20 2 ρ (kg/m ) 70 60 ρ (kg/m ) 70 1.5 70 6 8 30 40 50 60 70 4 x* (−) 6 8 Gaz réels à t∗ = 20 60 1 y* (−) 4 * x (−) 2 70 0.5 60 1 Gaz réels à t∗ = 15 30 50 2 Gaz réels à t∗ = 10 40 40 Gaz parfaits à t∗ = 20 y* (−) y* (−) 1 30 1 0 0 8 2 0 0 20 Gaz parfaits à t∗ = 15 2 ρ (kg/m ) 50 2 Gaz parfaits à t∗ = 10 y* (−) 40 y* (−) 1 3 30 2 y* (−) y* (−) 2 109 40 30 20 0.5 1 y* (−) 1.5 Coupes à x∗ = 4 et t∗ = 15 2 10 0 0.5 1 y* (−) 1.5 2 Coupes à x∗ = 4 et t∗ = 20 F IG . 4.3 – Champs de densité extraits à t∗ = 10, 15 et 20 des simulations gaz parfaits et gaz réels. Les figures du bas présentent des coupes effectuées au centre (x∗ =4) de la simulation gaz parfaits (carrés noirs) et gaz réels (ronds rouges). Comme précédemment, les résultats sont présentés sous la forme de champs et de coupes de densité. Ils ont été extraits à 10, 15 et 20 temps de code et sont présentés sur les images de la figure 4.3). En observant ces résultats, on constate que les différences entre les deux simulations sont plus importantes que dans le cas précédent. Ces écarts ne pouvant ^etre imputés au calcul des variables thermodynamiques testées précédemment dans les m^emes conditions, ils sont donc uniquement liés aux modèles utilisés pour calculer les coefficients de transport. Nous présentons sur les images de la figure 4.4, les profils initiaux des coefficients de transport qui ont été utilisés dans cette étude. D’après ces profils, on remarque qu’il existe bien des différences entre la méthode gaz parfaits et gaz réels mais elles sont minimes surtout au centre du jet, c’est à dire pour l’oxygène. On présente d’ailleurs dans les tableaux 4.3 et 4.4, les valeurs de la viscosité et de la conductivité thermique à 1 bar et 100 bar, pour l’oxygène et l’hydrogène dans les conditions initiales de la simulation (TH2 = 225 K et TO2 = 600 K). De m^eme, dans le tableau 4.5, on présente les résultats issus des modèles utilisés du coefficient de diffusion binaire en fonction de la pression. Ces valeurs ont été déterminées avec le modèle gaz parfaits, le modèle 110 Simulation de la déstabilisation d’un jet en condition supercritique −5 4 x 10 0.2 0.15 λ (W/(m.K)) µ (Pa.s) 3 2 1 0.1 0.05 0 0 0.5 1 y* (−) 1.5 0 0 2 Viscosité dynamique (P a.s) 6 x 10 (m2/s) 4 2 O m (m2/s) 6 3 D 2 m 2 5 8 DH 1.5 −7 x 10 4 2 0 1 y* (−) Conductivité thermique (W/(m.K)) −6 10 0.5 2 0.5 1 y* (−) 1.5 Coefficient de diffusion du H2 dans le mélange (m2 /s) 2 1 0 0.5 1 y* (−) 1.5 2 Coefficient de diffusion du O2 dans le mélange (m2 /s) F IG . 4.4 – Comparaison des coefficients de transport, à l’instant initial, entre les modèles des gaz parfaits (carrés noirs) et gaz réels (ronds rouges). gaz réels et elles sont comparées aux valeurs extraites du NIST. À partir des valeurs de conductivité thermique et de viscosité, on remarque que les modèles de gaz réel se comportent de façon satisfaisante car les valeurs augmentent avec la pression. Cependant, il apparait tout de m^eme des différences avec les valeurs de référence et, plus surprenant, on constate que les valeurs du modèle gaz parfaits sont plus proches des valeurs issues du NIST [63] que de celles calculées avec les modèles gaz réels dans le cas de l’hydrogène. D’ailleurs, en comparant les valeurs à pression atmosphérique et à 100 bar, on remarque que la pression agit très faiblement ces deux coefficients dans les conditions qui nous intéressent (pas d’effet de gaz réels) et dans le cas des espèces pures. Ainsi, seul le coefficient de diffusion des espèces, qui ne peut ^etre comparés à des données expérimentales précises, semble affecter les simulations en créant ces différences. En conclusion, à partir des observations concernant les diverses simulations présentées ciavant, on peut conclure que les modèles et les algorithmes implémentés dans le code se comportent de façon satisfaisante pour ^etre validés et pour permettre de continuer les études projetées. Les différences que nous avons pu observer sur les champs de densité lorsque les coefficients de transport ont été calculé par les modèles des gaz réels et les modèles des gaz parfaits, nous ont motivés à regarder l’impact des coefficients de transport sur la dynamique de l’écoulement en utilisant les différents modèles physiques à notre disposition. Mais avant cela, nous 4.1 Validation de la version supercritique du code Asphodèle O2 (T = 600 K) H2 (T = 225 K) 1 bar GP GR NIST 34.070 34.459 34.671 7.4196 6.2304 7.3513 111 100 bar GP GR NIST 34.070 34.699 35.467 7.4196 6.5933 7.6784 TAB . 4.3 – Valeurs de la viscosité (µP a.s) pour les fluides utilisés dans la simulation calculées avec les modèles de gaz parfaits, gaz réels et extraites du NIST. O2 (T = 600 K) H2 (T = 225 K) 1 bar GP GR NIST 0.0482 0.0466 0.0507 0.1510 0.1289 0.1468 100 bar GP GR NIST 0.0482 0.0496 0.0522 0.1510 0.1424 0.1573 TAB . 4.4 – Valeurs de la conductivité thermique (W/(m.K)) pour les fluides utilisés dans la simulation calculées avec les modèles de gaz parfaits, gaz réels et extraites du NIST. allons chercher à atteindre les limites du code Asphodèle en faisant varier le rapport de densité et le rapport des coefficients de compressibilité, le but étant de se rapprocher des conditions utilisées par Bellan et al [3]. 112 Simulation de la déstabilisation d’un jet en condition supercritique T = 600 K T = 225 K 1 bar GP GR −4 2.67 × 10 2.85 × 10−4 5.00 × 10−5 5.31 × 10−5 GP 2.67 × 10−6 5.00 × 10−7 100 bar GR 2.85 × 10−6 5.31 × 10−7 Bellan el al [3] 2.39 × 10−6 4.26 × 10−7 TAB . 4.5 – Valeurs du coefficient de diffusion binaire DO2 H2 (m2 /s) pour les fluides utilisés dans la simulation calculées avec les modèles de gaz parfaits, gaz réels et le polyn^ome de Bellan et al [3]. 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques 4.2 113 Limites du code Asphodèle dans le cas de simulations supercritiques Les modifications apportées au code Asphodèle ayant été validées dans la première partie de ce chapitre, nous allons désormais tester la capacité du code à simuler des configurations plus contraignantes (rapport de densité, effets de gaz réels) afin de se rapprocher des conditions présentées par Bellan et al dans [3, 8]. Dans la plupart des simulations numériques directes, dilatables et utilisant l’approximation à faible nombre de Mach, il est rapporté que le rapport de densité est un facteur limitant ; une valeur de 10 a été souvent relevée comme étant une valeur critique. De plus, la presque totalité de ces simulations a été réalisée à pression atmosphérique et donc elles utilisaient les lois de gaz parfaits. Ainsi, nous allons, dans cette partie, tester la sensibilité du code à tenir un rapport de densité élevé en faisant varier les températures initiales des réactifs mais également en jouant sur la résolution du maillage et le choix de la nature des réactifs. 4.2.1 Sensibilité du code au rapport de densité Nous avons expliqué au chapitre 3, pourquoi il est impossible pour le moment de réaliser une simulation numérique directe en utilisant les conditions réelles d’injection d’un moteur fusée et en particulier les températures d’injection des ergols. Nous avons montré que, dans ces conditions, il y aurait la présence d’une interface dans le domaine de calcul qui augmenterait de façon trop importante les temps de calcul pour pouvoir réaliser une DNS. C’est pourquoi nous allons dans un premier temps essayer de dépasser la valeur critique de 10 du rapport des densités entre les ergols ce qui serait une première étape pour se rapprocher des valeurs utilisées par Bellan et al [3]. Pour augmenter la valeur du rapport de densité, nous allons faire varier les températures initiales des ergols. Dans la configuration précédente, les températures de l’oxygène et de l’hydrogène étaient de 600 K et 225 K respectivement. Avec ces températures et une pression de 100 bar, le rapport de densité est proche de 6. Nous allons diminuer la température de l’oxygène tout en conservant le m^eme domaine de calcul que la configuration de référence (cf. tableau 4.2). À partir des diverses configurations testées, on a constaté que lorsque la température de l’oxygène est supérieure ou égale à 450 K, la simulation se déroule sans problème. Dans ces conditions, le rapport de densité est de 8.2 tandis que le coefficient de compressibilité de l’oxygène reste proche de 1. Mais en dessous de cette valeur de température (et donc au dessus d’un rapport de densité de 8.2), le code diverge en raison de l’apparition d’une onde de pression dans le domaine de calcul. Plusieurs causes peuvent ^etre à l’origine de l’apparition de ce pic de pression. Il y a tout d’abord l’utilisation de la méthode PADE, pour le calcul des dérivées. En effet, la méthode PADE est une méthode très précise pour déterminer la valeur des dérivées mais elle est très 114 Simulation de la déstabilisation d’un jet en condition supercritique sensible aux gradients. Ainsi, un gradient trop important de certaines grandeurs (comme la densité) peut créer des fluctuations qui peuvent se répercuter sur la pression lorsqu’on utilise la méthode de projection et qui peuvent s’accumuler pour former ce pic de pression. En jouant sur la résolution du maillage, il serait donc possible de résoudre ce problème en diminuant la valeur des gradients dans le domaine de calcul. Une autre cause de la divergence du code pourrait ^etre la conséquence de la dynamique et plus particulièrement l’augmentation du nombre de Reynolds local lorsqu’on augmente la densité de l’oxygène. En effet, le nombre de Reynolds étant défini par la relation : Re = LU ρ µ (4.6) Pour une vitesse U et une longueur L fixées, lorsque la densité augmente, le nombre de Reynolds augmente également. On aurait alors atteint une valeur critique du nombre de Reynolds pour le maillage en question. Ainsi, en modifiant la taille du domaine et la résolution du maillage, il serait possible de réaliser des simulations présentant un rapport de densité plus élevé. Nous allons donc faire varier la taille du maillage en jouant sur les conditions de référence. En effet, la longueur de référence est définie par l’équation : x0 = Rec µ∞ U0 ρ∞ (4.7) En augmentant la valeur de la densité ρ∞ , on diminue la longueur x0 et donc la taille des mailles. On a alors choisi comme état de référence un fluide composé d’hydrogène pur de température 298.15 K avec une pression de 100 bar. Les grandeurs ρ∞ et µ∞ deviennent égales à 8.2243 kg/m3 et 8.9503 × 10−6 P a.s et ainsi x0 devient égale à 3, 3 × 10−7 m. La configuration complète est résumée dans le tableau 4.6. Ainsi, lorsqu’on utilise le nouveau domaine de simulation, aucun pic de pression apparait et on présente les résultats à différents instants sur les images de la figure 4.5. Les résultats montrent que la simulation s’est parfaitement déroulée mais on peut surtout remarquer qu’il faut dans ce cas attendre que t∗ soit proche de 30 pour voir apparaitre des structures tourbillonnaires dans le domaine. Comme on a modifié la taille du maillage, et donc l’épaisseur du jet, on a donc diminué la valeur le nombre de Reynolds. Cependant, avec cette configuration, on a dépassé le seuil de 10 pour le rapport de densité et on peut remarquer que le coefficient de compressibilité de l’oxygène devient inférieur à 1, contrairement aux précédentes configurations. Le code de simulation Asphodèle est donc capable de réaliser des simulations d’écoulement à faible nombre de Mach dont les fluides présentent des effets de gaz réels. Cependant, on remarque que la taille et la résolution du maillage restent des paramètres importants. M^eme si on est encore éloigné des conditions utilisées par Bellan et al dans leurs simulations [3] (cf. tableau 1.1) et pour un domaine de simulation très petit, nous avons franchi une première 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques x L (m) δ (m) Rec (-) 2.61×10−6 y 6.5×10−7 3.3×0−8 30 O2 Pression (bar) Vitesse (m/s) Température (K) Densité (kg/m3 ) Coefficient de compressibilité (-) 115 H2 100 20 300 139.3 0.92 100 200 11.8 1.04 Modèle Viscosité Conductivité thermique Diffusion des espèces Chung et al [20] Ely et Hanley [31] Fuller et al [33] + Takahashi [89] TAB . 4.6 – Description complète de la configuration utilisée pour tester la sensibilité du code Asphodèle étape en réalisant une simulation numérique directe dont le rapport de densité est supérieur à la valeur critique de 10. La parallélisation du code, qui était en cours et qui est réalisée dans le cadre de la thèse de Benoit Leveugle, serait une solution qui permettrait d’atteindre des rapports de densité plus élevés dans les simulations réalisées par Bellan et al [3]. En effet, en parallélisant le code, il serait possible d’augmenter le nombre de points du domaine et donc augmenter la résolution de maillage. En améliorant la résolution, on a montré qu’il était possible d’augmenter le rapport de densité. Mais il serait également possible, en conservant ce m^eme rapport, d’augmenter la valeur du nombre de Reynolds du code. Actuellement, le nombre de Reynolds du code ne permet de simuler que les plus petites structures de l’écoulement. La raison vient de la sensibilité du code à simuler des écoulements supercritiques car ce nombre de Reynolds, utilisé pour la normalisation des variables, est inversement proportionnel à la pression. Enfin, la parallélisation permettrait tout simplement d’augmenter la taille de la simulation car dans les précédentes configurations la taille du domaine de calcul est de l’ordre du micromètre. Simulation de la déstabilisation d’un jet en condition supercritique 80 100 120 140 20 2 4 x* (−) 6 8 2 1 0 0 Densité à t∗ = 0 2 1 0 0 0.2 0.4 2 0.6 4 x* (−) 0.8 1 0 8 2 1 0 0 6 Fraction massique de O2 à t∗ = 0 2 1 0 0 220 240 260 2 4 x* (−) 80 100 120 140 2 4 x* (−) 6 20 8 2 1 0 0 280 6 Température à t∗ = 0 0.2 0.4 2 0.6 4 x* (−) 300 200 8 2 1 0 0 220 240 260 2 4 x* (−) 40 2 60 80 100 4 x* (−) 120 140 6 8 Densité à t∗ = 30 0.8 1 0 8 2 1 0 0 6 Fraction massique de O2 à t∗ = 15 y* (−) y* (−) 200 60 Densité à t∗ = 15 y* (−) y* (−) 0 40 y* (−) 60 280 6 0.2 2 0.4 0.6 4 x* (−) 0.8 1 6 8 Fraction massique de O2 à t∗ = 30 300 200 8 2 1 0 0 y* (−) 2 1 0 0 40 y* (−) y* (−) 20 y* (−) 116 Température à t∗ = 15 220 2 240 260 4 x* (−) 280 6 300 8 Température à t∗ = 30 F IG . 4.5 – Champs de densité, de température et de fraction massique de O2 , extraits à t∗ = 0, 15 et 30 de la simulation présentée au tableau 4.6. Nous venons de montrer dans cette partie que la code Asphodèle dépendait fortement du rapport de densité mais qu’en améliorant la résolution, il est possible de réaliser des simulations d’écoulement à faible nombre de Mach présentant un rapport de densité supérieur à 10. Or, dès que le rapport de densité augmente, on s’aperçoit que le facteur de compressibilité de l’oxygène décroit ce qui pourrait également avoir une incidence sur les problèmes de stabilité du code qui ont été observés. C’est pourquoi nous avons testé la sensibilité du code en fonction des facteurs de compressibilité des réactifs. 4.2.2 Sensibilité du code aux effets de gaz réels Après avoir étudié l’effet du rapport de densité, nous nous penchons maintenant sur l’impact des effets de gaz réels et plus particulièrement du rapport des coefficients de compressibilité entre les deux espèces. Or, dans le cas du mélange entre l’oxygène et l’hydrogène, plus le rapport de densité augmente, plus le rapport des facteurs de compressibilité augmente. La simulation ayant le plus grand rapport des coefficients de compressibilité est la dernière que 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques 150 200 250 300 100 200 40 2 4 x* (−) RZ = 0.65 6 8 1 0 0 60 80 100 2 y* (−) 1 0 0 150 2 y* (−) y* (−) 2 117 2 4 x* (−) RZ = 0.74 6 8 1 0 0 2 4 x* (−) 6 8 RZ = 0.96 F IG . 4.6 – Champs de densité, extraits à t∗ = 10, pour un mélange O2 /N2 et pour différents rapports des coefficients de compressibilité RZ . nous ayons présentée avec des coefficients de compressibilité de 0.92 et de 1 pour l’oxygène et l’hydrogène respectivement. Le problème avec le couple de réactifs O2 /H2 , est qu’il est difficile d’atteindre de faibles valeurs de Z car le rapport de densité devient rapidement trop important ce qui implique la divergence du code. Ainsi, pour étudier les effets du facteur de compressibilité sur les résultats de la simulation, nous avons utilisé un autre mélange : le mélange O2 /N2 . Les masses molaires de ces deux espèces étant très proches (environ 32 g/mol pour le dioxygène et 28 g/mol pour le diazote contre 2 g/mol pour le dihydrogène), il est alors possible d’utiliser des températures beaucoup plus faibles afin d’avoir une meilleure amplitude sur le facteur de compressibilité tout en ayant un rapport de densité supportable pour le code. Pour cette étude, le domaine de calcul utilisé est identique à la simulation de référence de m^eme que la pression qui est égale à 100 bar, seule l’espèce hydrogène est remplacée par de l’azote. Pour étudier uniquement l’impact du rapport des coefficients de compressibilité, trois nouvelles configurations ont été intégrées au code et elles ont un rapport de densité quasiidentique (environ 2.5) et, en jouant sur la température des deux fluides, on fait alors varier le rapport des Z. Ainsi, seuls les effets de Z auront un impact sur l’écoulement. Pour faciliter la compréhension, on introduit un nouveau paramètre RZ , équivalent à Rρ , qui représente le rapport entre les facteurs de compressibilité des fluides de l’écoulement tels que : ρ02 ρN2 Z02 = ZN2 Rρ = (4.8) RZ (4.9) et nous résumons dans le tableau 4.7, les valeurs des principales grandeurs physiques utilisées dans les différentes simulations. Les résultats de ces simulations sont présentés sur les images de la figure 4.6 où on a extrait des champs de densité au m^eme instant (t∗ = 10). On peut tout d’abord signaler que le facteur de compressibilité n’est pas un facteur limitant car contrairement au cas du mélange O2 /H2 , nous avons utilisé un facteur de compressibilité largement inférieur à 1 pour l’oxygène (ZO2 = 0.64 pour la configuration 1) ce qui ne présente pas 118 Simulation de la déstabilisation d’un jet en condition supercritique O2 Configuration 1 Configuration 2 Configuration 3 N2 Température (K) 200 285 Coefficient de compressibilité (-) 0.63 0.97 Densité (kg/m3 ) 307.8 123.1 Rρ (-) 2.50 RZ (-) 0.65 Température (K) 225 367 Coefficient de compressibilité (-) 0.76 1.02 Densité (kg/m3 ) 227.9 91.3 Rρ (-) 2.50 RZ (-) 0.75 Température (K) 400 850 Coefficient de compressibilité (-) 0.99 1.03 Densité (kg/m3 ) 97.8 38.8 Rρ (-) 2.52 RZ (-) 0.96 TAB . 4.7 – Configurations utilisées pour l’étude de l’impact des coefficients de compressibilité sur la dynamique de l’écoulement. de problème particulier pour le code. La seconde remarque que l’on puisse faire concerne la dynamique de l’écoulement. On remarque que plus le paramètre RZ est faible, plus les tourbillons apparaissent rapidement. Alors que pour le cas RZ = 0.65 de la configuration 1 et RZ = 0.74 de la configuration 2, les structures tourbillonnaires sont développées, aucune déstabilisation n’est observée lorsque RZ est proche de 1. De plus, si on observe les champs de densité extraits à t∗ = 20 et 30 de configuration 3, qui sont présentés sur la figure 4.7, les tourbillons qui se développent sont moins nombreux mais la taille de ces derniers est plus importantes. À partir de ces premières observations, il semblerait que le nombre de Reynolds, lié au développement de la turbulence et donc au développement des tourbillons dans le domaine, varie en fonction du paramètre RZ . On peut donc calculer le nombre Reynolds dans chacune des configurations présentées ci-avant. Ce dernier est défini par la relation 4.6 et comme la longueur de référence ainsi que les vitesses sont identiques pour toutes les configurations, pour comparer le Re de chaque configuration, il suffit de comparer le rapport µρ = ν1 . On présente dans le tableau 4.8, la valeur du nombre de Reynolds du jet telle que : Re = ∆U ρO2 e µO2 (4.10) ∆U est la différence de vitesse entre le fuel et l’oxydant, e est le "diamètre" du jet. Ainsi, on 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques 40 60 80 100 40 1 0 0 80 100 2 y* (−) y* (−) 2 60 119 2 4 x* (−) 6 8 t∗ = 20 1 0 0 2 4 x* (−) 6 8 t∗ = 30 F IG . 4.7 – Champs de densité, extraits à t∗ = 20 et 30 de la configuration 3 (RZ ' 1). Configuration 1 Configuration 2 Configuration 3 ρO2 (kg/m3 ) µO2 (P a.s) Nombre de Reynolds 307.8 1.50 × 10−5 7800 228.6 1.65 × 10−5 5300 97.7 2.6 × 10−5 1500 TAB . 4.8 – Valeurs du nombre de Reynolds pour les trois configurations présentées au tableau 4.7. remarque le nombre de Reynolds varie bien en fonction du paramètre RZ et, comme on a pu le constater, il décroit lorsque RZ augmente. La valeur du rapport du rapport des coefficients de compressibilité RZ a donc une influence sur l’écoulement car quend RZ varie, on a constaté des modifications dans la physionomie de ce dernier et ces changements sont directement liés à la variation du nombre de Reynolds. Pour étudier les effets des gaz réels sur la dynamique de l’écoulement sans faire varier le nombre de Reynolds, une nouvelle configuration a été mise en place en utilisant la thermodynamique des gaz parfaits. Nous avons déjà effectué une étude identique lorsque nous avons comparé les résultats issus d’une simulation gaz parfaits aux résultats issus d’une simulation gaz réels qui utilisaient des modèles identiques pour calculer les coefficients de transport. Mais dans ce cas, nous avons choisi les conditions initiales de telle sorte que les coefficients de compressibilité étaient proche de 1. Nous avons constaté, à partir des résultats issus des deux simulations, que les champs de densité ne présentaient que très peu de différences (cf. figure 4.8) ce qui est normal car nous avons simulé une configuration gaz parfaits avec des modèles gaz réels. Hormis les valeurs de la densité qui diffèrent, ce qui est normal car l’équation d’état est différente, la structure de l’écoulement est presque identique. Ainsi, comme on peut l’observer sur les images de la figure 4.8, dans le cas d’une simulation à faible nombre de Mach, les fluides restent quasiment incompressibles quelque soit la méthode pour calculer la thermodynamique. C’est d’ailleurs le principe m^eme de la formulation à faible nombre de Mach basée sur l’utilisa- 120 Simulation de la déstabilisation d’un jet en condition supercritique 175 180 185 190 220 1.5 1 0.5 0 240 250 260 270 280 290 300 2 coordonnee y (−) coordonnee y (−) 2 230 0 1 2 3 4 coordonnee x (−) Gaz parfaits 5 6 7 8 1.5 1 0.5 0 0 1 2 3 4 coordonnee x (−) 5 6 7 8 Gaz réels F IG . 4.8 – Comparaison de champs de densité calculés avec la thermodynamique des gaz parfaits (à gauche) et la thermodynamique des gaz réels (à droite) lorsque la température initiale est de 200 K. tion de faibles vitesses devant la vitesse du son. Les fluctuations de pression engendrées par la dynamique ne sont donc pas suffisantes pour voir apparaitre des effets de compressibilité. Cela aurait été différent si les vitesses des fluides avait été supérieures et proches de la vitesse du son. On remarque tout de m^eme qu’il est important d’utiliser les lois de gaz réels pour calculer avec précision la valeur de la densité car cette dernière est largement sous-estimée avec les lois des gaz parfaits (cf. figure 4.8). L’écart entre les deux simulations représente une erreur d’environ 50%. À travers cette partie, nous avons testé les capacités du code le code Asphodèle à simuler des écoulements supercritiques. L’objectif était de se rapprocher des conditions utilisées par Bellan et al en simulant un jet dont le rapport de densité entre la phase dense et la phase légère est d’environ 25. Dans la version actuelle du code, nous avons réussi à dépasser le seuil de 10 en jouant sur la résolution du maillage. Ainsi, avec la parallélisation du code Asphodèle qui était en cours à la fin de cette thèse, nous avons bon espoir d’augmenter le rapport de densité. La parallélisation du code permettrait également d’augmenter la taille du domaine ou encore d’augmenter le nombre de Reynolds du code pour augmenter la taille des structures tourbillonnaires simulées. Le principal effet que nous avons noté est le lien qui existe entre la variation des grandeurs thermodynamiques et la variation du nombre de Reynolds qui, à son tour, modifie la structure de l’écoulement. Ainsi, l’augmentation du rapport de densité induit une augmentation du nombre de Reynolds. De m^eme, l’impact du paramètre RZ sur la dynamique de l’écoulement reste faible car il entraine également une augmentation du nombre de Reynolds. La divergence du code, que nous avons observée en faisant varier les conditions initiales tout en gardant le m^eme maillage, serait donc liée au nombre de Reynolds et seule l’augmentation de la résolution du maillage permet d’emp^echer la divergence du code. Après avoir étudié l’impact de la thermodynamique sur les résultats de la simulation, nous souhaitons revenir en détail sur les différences qui existent entre les modèles gaz parfaits et gaz réels que nous avons remarquées dans la première partie de ce chapitre. Il apparaissait alors des différences non-négligeables entre les deux simulations en fonction des coefficients de transport 4.2 Limites du code Asphodèle dans le cas de simulations supercritiques 121 utilisés et cela malgré un coefficient de compressibilité égal à 1 (pas d’effet de gaz réels). C’est pourquoi nous avons démarré une série de test permettant de déterminer quel modèle ou encore quel coefficient peut-^etre à l’origine de ces différences. 122 Simulation de la déstabilisation d’un jet en condition supercritique 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement Dans la première partie de ce chapitre, nous avons validé les modèles et algorithmes introduit dans le code Asphodèle qui permettent de tenir compte des effets liés à l’augmentation de la pression dans le domaine de calcul. Or, lorsque nous avons comparé les résultats issus de simulations où les coefficients de transport ont été calculés avec les modèles de gaz parfaits et les modèles de gaz réels, nous avons observé d’importantes différences sur les champs de densité (figure 4.3) malgré un écart assez faible entre les modèles de gaz parfaits et les modèles de gaz réels (cf. figure 4.3 et les tableaux 4.3 à 4.5). Il est donc important de comprendre l’origine de ces différences. Comme il n’existe pas de consensus dans la littérature sur l’utilisation d’un modèle plut^ot qu’un autre, en particulier pour la diffusion des espèces, nous avons introduit dans le code, plusieurs modèles pour calculer les coefficients de transport et permettre à l’utilisateur d’avoir le choix. Nous avons ainsi retenu les modèles suivants en fonction du coefficient de transport désiré : – Viscosité : Chung et al [20], gaz parfaits. – Conductivité thermique : Chung et al [20], Ely et Hanley [31], polyn^ome de Bellan et al [3], gaz parfaits. – Diffusion des espèces : Fuller et al [33] avec ou sans la correction de Takahashi [89], polyn^ome de Bellan et al [3], gaz parfaits. Ces modèles sont essentiellement des lois empiriques et n’ont pas été développés spécifiquement mais adaptés pour ^etre appliqués au mélange entre l’oxygène et l’hydrogène. Bien sur, les conditions d’utilisation (pression très élevée) ne sont pas celles préconisées pour l’utilisation des modèles gaz parfaits mais dans les conditions de pression et de température utilisées dans notre configuration de référence, nous avons montré que les effets de gaz réels étaient négligeables, du moins pour la viscosité et la conductivité thermique (cf. tableaux 4.3 et 4.4). Nous avons donc décidé de mener une étude sur l’impact des modèles sur la dynamique de l’écoulement afin de savoir quel paramètre physique influence le plus l’écoulement. Pour cela, nous utilisons à nouveau la configuration, présentée dans la première partie, qui possède les m^emes caractéristiques physiques (vitesses d’injection, températures, espèces, maillage, etc), décrites dans le tableau 4.2. La thermodynamique des gaz réels est utilisée pour toutes les simulations et seuls les modèles, qui calculent les coefficients de transport, varient. Pour commencer, nous allons comparer les résultats issus des simulations dont les coefficients de transport ont été calculés avec le modèle des gaz parfaits (simulation S1 ), aux résultats issus 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement 10 30 40 50 60 70 10 0 0 2 10 4 x (−) 6 * 8 50 60 70 10 20 30 40 50 60 70 2 4 x (−) 6 * 2 4 x* (−) 6 µGR , λGR et DGR à t∗ = 10 8 10 40 50 60 70 2 20 30 40 50 60 4 x* (−) 6 8 µGP , λGP et DGP à t∗ = 30 70 10 20 30 40 50 60 70 y* (−) 2 1 0 0 30 1 0 0 8 2 1 20 2 µGP , λGP et DGP à t∗ = 20 y* (−) y* (−) 40 1 0 0 2 0 0 30 y* (−) 1 µGP , λGP et DGP à t∗ = 10 Sr 20 2 y* (−) 2 y* (−) S1 20 123 2 4 x* (−) 6 µGR , λGR et DGR à t∗ = 20 8 1 0 0 2 4 x* (−) 6 8 µGR , λGR et DGR à t∗ = 30 F IG . 4.9 – Champs de densité extraits à t∗ = 10, 20 et 30 lorsque les coefficients de transport sont calculés avec les modèles des gaz parfaits (simulation S1 , en haut) ou les modèles des gaz réels (simulation Sref , en bas). de la configuration de référence (Sref ). On rappelle que dans la configuration de référence les modèles choisis sont ceux de Chung et al [20], Ely et Hanley [31] ainsi que la méthode de Fuller et al [33] associée à la correction de Takahashi [89] pour déterminer respectivement la viscosité, la conductivité thermique et les coefficients de diffusion des espèces. Les résultats sont présentés sur les images de la figure 4.9 sous forme de champs de densité qui ont été extraits à divers instants (t∗ = 10, 20 et 30) de la simulation. Bien que les méthodes de calcul soient très différentes les unes des autres, on constate que les ordres de grandeur sont respectés mais des différences apparaissent au fur et à mesure que l’écoulement se développe. Ces différences ne peuvent s’expliquer que par le r^ole joué par les coefficients de transport car les variables thermodynamiques sont calculées de la m^eme façon (modèles des gaz réels). Afin de savoir lequel de ces coefficients peut bien ^etre à l’origine de ces différences, nous allons les tester séparément. Ainsi, à partir de la configuration de référence, trois nouvelles configurations ont été mises en place dans le code Asphodèle en utilisant le modèle des gaz parfaits pour calculer successivement la viscosité (simulation S2 ), puis la conductivité (simulation S3 ) et enfin les coefficients de diffusion (simulation S4 ). Comme précédemment, les résultats sont présentés sous forme de champs de densité, extraits à t∗ = 10, 20 et 30, sur les images de la figure 4.10. À partir de ces résultats, on remarque que la structure de l’écoulement se trouve modifiée lorsque le modèle utilisé pour calculer les coefficients de diffusion des espèces est différent. Ainsi, quelque soit la méthode choisie pour déterminer la viscosité et la conductivité, la structure de l’écoulement est identique (simulations S2 et S3 ), seules les valeurs de la densité diffèrent légèrement. On peut alors déduire que c’est le coefficient de diffusion qui est le prin- 124 Simulation de la déstabilisation d’un jet en condition supercritique 10 30 40 50 60 70 10 0 0 2 10 20 4 x (−) 6 * 8 70 10 30 40 50 60 70 2 4 x (−) 6 * 0 0 8 2 4 x (−) 6 * 10 20 30 40 50 60 70 10 20 30 40 50 60 70 1 2 4 x (−) 6 * 10 20 30 40 50 60 70 4 x* (−) 6 µGR , λGR et DGP à t∗ = 10 8 60 70 4 x* (−) 6 8 30 40 50 60 70 1 2 4 x* (−) 6 8 10 20 30 40 50 60 70 2 y* (−) y* (−) 2 50 µGR , λGP et DGR à t∗ = 30 1 0 0 20 0 0 8 2 1 2 10 µGR , λGP et DGR à t∗ = 20 2 40 2 0 0 8 30 µGP , λGR et DGR à t∗ = 30 y* (−) 1 20 1 µGP , λGR et DGR à t∗ = 20 y* (−) y* (−) 60 2 0 0 y* (−) 50 2 0 0 2 0 0 40 1 µGR , λGP et DGR à t∗ = 10 S4 30 y* (−) 1 µGP , λGR et DGR à t∗ = 10 S3 20 2 y* (−) 2 y* (−) S2 20 2 4 x* (−) 6 µGR , λGR et DGP à t∗ = 20 8 1 0 0 2 4 x* (−) 6 8 µGR , λGR et DGP à t∗ = 30 F IG . 4.10 – Champs de densité extraits à t∗ = 10, 20 et 30 lorsque la viscosité (simulation S2 , en haut) ou la conductivité thermique (simulation S3 , au milieu) ou les coefficients de diffusion des espèces (simulation S4 , en bas) sont calculés par les modèles des gaz parfaits, les autres coefficients de transport étant calculés par les modèles des gaz réels. cipal responsable des différences observées et qui domine les échanges au sein de l’écoulement. Ayant à notre disposition les polyn^omes de Bellan et al [3] pour calculer la conductivité thermique et les coefficients de diffusion, on va tenter de confirmer ces premières observations. Pour cela, trois nouvelles simulations ont été mises en place. Dans la première simulation, la viscosité est calculée par la méthode de Chung et al [20], la conductivité par le polyn^ome de Bellan et al [3] et les coefficients de diffusion par le modèle de Fuller et al [33] associé à la correction de Takahashi [89] (simulation S5 ). Pour la deuxième simulation, la viscosité est déterminée de la m^eme manière, la conductivité thermique est calculée par le modèle de Ely et Hanley [31] et les coefficients de diffusion avec le polyn^ome de Bellan et al [3] (simulation S6 ). Pour la dernière simulation, la viscosité est toujours calculée par la méthode de Chung et al [20], la conductivité thermique et les coefficients de diffusion étant tous deux déterminés par les polyn^omes de Bellan et al [3] (simulation S7 ). Nous résumons dans le tableau 4.9 les différentes configurations qui ont été utilisées pour cette étude en fonction des modèles des coefficients de transport. Avant de présenter les résultats de ces trois dernières simulations, on trace sur les 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement Simulation Viscosité S1 Sref S2 S3 S4 S5 S6 S7 Gaz parfaits Gaz réels Gaz parfaits Gaz Réels Gaz réels Gaz réels Gaz réels Gaz réels 125 Conductivité thermique Coefficient de diffusion Résultats Gaz parfaits Gaz réels Gaz réels Gaz parfaits Gaz réels Bellan et al Gaz réels Bellan et al Gaz parfaits Gaz réels Gaz réels Gaz réels Gaz parfaits Gaz réels Bellan et al Bellan et al Figure 4.9 Figure 4.9 Figure 4.10 Figure 4.10 Figure 4.10 Figure 4.12 Figure 4.12 Figure 4.12 TAB . 4.9 – Configurations utilisées pour l’étude de l’impact des coefficients de transport sur la dynamique de l’écoulement. images de la figure 4.11, les profils initiaux de la conductivité thermique et des coefficients de diffusion des espèces à partir des polyn^omes développés par Bellan et al [3]. Pour permettre la comparaison, les modèles des gaz parfaits et des gaz réels sont également présentés sur la m^eme figure. La méthode de Bellan et al [3] possède un avantage certain : sa rapidité. En effet, si on conna^ıt la température, l’équation 2.114 donne la valeur du nombre de Prandtl. La conductivité thermique est alors déduite de la valeur de Pr , de la viscosité µ et de la capacité thermique Cp . Le coefficient de diffusion se calcule à partir du nombre de Schmidt (équation 2.120) et de grandeurs déjà connues avant de calculer Dij (densité, viscosité et αD ). Ces méthodes ont tout de m^eme une limite : leur précision. Bien que les valeurs au centre du jet (oxygène pur) soient déterminées avec précision, la partie hydrogène est largement sous-estimée ; l’écart atteint 30 % par rapport aux deux autres modèles. Cette différence peut s’expliquer par le fait que ces polyn^omes sont valables pour une large gamme de températures (200 K → 800 K) et de concentrations des deux réactifs (0 → 1). On a extrait sur les images de la figure 4.12, les champs de densité des simulations S5 à S7 aux m^emes instants. En comparant ces résultats, on peut tirer la m^eme conclusion : quelque soit la méthode choisie pour calculer la viscosité et la conductivité thermique, la structure de l’écoulement dépend presque exclusivement du modèle utilisé pour déterminer le coefficient de diffusion. En effet, les simulations Sref , S4 et S6 (présentées sur les figures 4.9, 4.10 et 4.12 respectivement) utilisent les m^emes modèles pour calculer la viscosité et la conductivité thermique et seul le modèle pour déterminer les coefficients de diffusion varie. Si on compare les champs de densité, nous avons trois écoulements différents alors que les simulations Sref , S2 , S3 et S5 sont quasiment semblables car on a utilisé le modèle des gaz réels pour calculer le coefficient de diffusion binaire. 126 Simulation de la déstabilisation d’un jet en condition supercritique −7 0.8 x 10 m 4 2 0.4 DO 2 0.05 0 0 6 0.6 H m 0.1 x 10 (m2/s) 0.15 (m2/s) 1 D λ (W/(m.K)) −5 0.2 2 0.2 0.5 1 * y (−) 1.5 Conductivité thermique (W/(m.K)) 2 0 0 0.5 1 * y (−) 1.5 Coefficient de diffusion du H2 dans le mélange (m/s2 ) 2 0 0 0.5 1 * y (−) 1.5 2 Coefficient de diffusion du O2 dans le mélange (m/s2 ) F IG . 4.11 – Comparaison des coefficients de transport selon les modèles des gaz parfaits (carrés noirs), gaz réels (ronds rouges) et calculés par les polyn^omes de Bellan et al [3] (étoiles vertes). Pour confirmer ces observations, on présente l’évolution des champs d’enthalpie, de température et de fraction massique d’oxygène aux m^emes instants (figures 4.13 à 4.15). On constate sur ces champs de grandeur que la concentration d’oxygène (et donc d’hydrogène) a presque atteint un niveau d’homogénéité alors que de larges gradients d’enthalpie et de température subsistent encore à t∗ = 30. Cela montre bien que les transferts de masse sont plus efficaces que les transferts thermiques. D’ailleurs, en calculant l’écart type de ces trois grandeurs aux trois instants t∗ = 10, 20 et 30 (cf. tableaux 4.10, 4.11 et 4.12), on peut comparer l’état d’avancement du mélange. Cette comparaison est valable uniquement si les grandeurs varient entre les m^emes bornes. La fraction massique variant entre 0 et 1, on normalise alors les valeurs d’enthalpie et de la température pour que ces dernières varient également dans le m^eme intervalle de valeurs. Le changement de variable est réalisé en utilisant la relation : T∗ = T − Tmin Tmax − Tmin (4.11) h∗ = h − hmin hmax − hmin (4.12) Les statistiques ayant été divisées par le nombre de points pour chaque variable, nous avons donc calculé des moyennes volumiques et non massiques et c’est pourquoi on remarque des différences de la valeur de la moyenne de la concentration d’oxygène aux différents instants. À partir de ces tableaux, on constate que l’écart type de la fraction massique d’oxygène décro^ıt lorsque le temps avance. La dispersion des valeurs de YO2 par rapport à la moyenne étant plus faible, l’homogénéité est donc atteinte plus rapidement pour cette variable que pour l’enthalpie molaire et la température. De plus, en fonction du modèle choisi pour calculer le coefficient de diffusion, on retrouve des valeurs d’écart type très proches les unes des autres pour un m^eme modèle et au m^eme instant. Par exemple pour les simulation Sref , S2 , S3 et S5 qui utilisent le 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement 30 40 50 60 70 10 1 0 0 2 4 x* (−) 6 20 30 40 50 60 70 60 70 10 2 4 x* (−) 6 10 4 x (−) 6 * 20 30 40 50 60 70 10 20 30 40 50 60 70 10 2 4 x (−) 6 * 10 2 4 x (−) * 6 µGR , λBEL et DBEL à t∗ = 10 8 60 70 4 x* (−) 6 8 20 30 40 50 60 70 1 20 30 40 50 60 2 4 x* (−) 6 8 µGR , λGR et DBEL à t∗ = 30 70 10 20 30 40 50 60 70 2 y* (−) y* (−) 0 0 2 0 0 8 2 1 50 1 µGR , λGR et DBEL à t∗ = 20 2 40 2 1 0 0 8 30 µGR , λBEL et DGR à t∗ = 30 y* (−) y* (−) 2 20 0 0 8 2 1 0 0 y* (−) 50 µGR , λBEL et DGR à t∗ = 20 µGR , λGR et DBEL à t∗ = 10 S7 40 2 0 0 8 2 y* (−) S6 30 1 µGR , λBEL et DGR à t∗ = 10 10 20 2 y* (−) y* (−) S5 20 y* (−) 10 2 127 1 0 0 2 4 x (−) * 6 µGR , λBEL et DBEL à t∗ = 20 8 1 0 0 2 4 x* (−) 6 8 µGR , λBEL et DBEL à t∗ = 30 F IG . 4.12 – Champs de densité extraits à t∗ = 10, 20 et 30 lorsque la conductivité thermique (Simulation S5 , en haut) ou les coefficients de diffusion des espèces (S6 , au milieu) ou la conductivité thermique et les coefficients de diffusion des espèces (S7 , en bas) sont calculés par les polyn^omes de Bellan et al [3], les autres étant calculés par les modèles des gaz réels. modèle de Fuller et al + Takahashi, les valeurs sont très proches les unes des autres à un instant donné. Il en est de m^eme pour les simulations S1 , S4 avec le modèle gaz parfaits et les simulations S6 , S7 qui utilisent les polyn^omes de Bellan et al pour les coefficients de diffusion des espèces. À partir des résultats extraits des différentes simulations qui nous ont permis d’étudier l’impact des coefficients de transport, nous pouvons conclure que les différences observées dans la structure de l’écoulement sont principalement dues au modèle physique utilisé pour calculer le coefficient de diffusion. Bien que la forme des profils initiaux ne présente que très peu de différences, on s’aperçoit surtout que c’est l’intensité des coefficients de diffusion qui implique de telles conséquences. En effet, entre les modèles gaz parfaits et gaz réels, l’écart maximum entre les champs initiaux ne dépasse pas 8% et pourtant on observe de grandes différences entre les champs de densité. On remarque également que les différences sur les coefficients de diffusion, dues à l’utilisation des modèles gaz réels (polyn^ome de Bellan et al [3] ou méthode de Fuller et al [33] associée à la corrélation de Takahashi [89]) sont du m^eme ordre que les différences entre les modèles gaz réels et gaz parfaits. Or, comme cela a été souligné au chapitre 2, ces modèles 128 Simulation de la déstabilisation d’un jet en condition supercritique 0 0.4 0.6 0.8 1 0 0 0 0 2 4 x (−) * 6 8 1 0 0.2 0.4 0.6 0.8 1 2 4 x (−) * 6 0 0 8 0 0 2 4 x (−) * 6 0 0.2 0.4 0.6 0.8 1 0 0 0.2 0.4 0.6 0.8 1 y* (−) 2 4 x (−) * 6 0 0 8 0 0.2 0.4 0.6 0.8 1 2 4 x (−) * 6 µGR , λGR et DBEL à t∗ = 10 8 2 4 x* (−) 6 8 0.2 0.4 0.6 0.8 1 2 4 x* (−) 6 8 0 0.2 0.4 0.6 0.8 1 2 y* (−) y* (−) 0 0 1 µGR , λGR et DGP à t∗ = 30 2 1 0.8 1 µGR , λGR et DGP à t∗ = 20 2 0.6 2 1 0 0 8 0.4 µGP , λGR et DGR à t∗ = 30 2 1 0.2 1 µGP , λGR et DGR à t∗ = 20 y* (−) y* (−) 0.8 2 0 0 2 y* (−) 0.6 1 µGR , λGR et DGP à t∗ = 10 S6 0.4 y* (−) 1 µGP , λGR et DGR à t∗ = 10 S4 0.2 2 y* (−) 2 y* (−) Sr 0.2 1 0 0 2 4 x (−) * 6 µGR , λGR et DBEL à t∗ = 20 8 1 0 0 2 4 x* (−) 6 8 µGR , λGR et DBEL à t∗ = 30 F IG . 4.13 – Champs de fraction massique d’oxygène extraits à t∗ = 10, 20 et 30 pour les simulations Sref , S4 et S6 . utilisés pour calculer les coefficients de diffusion binaires O2 /H2 n’ont pas été validés dans ces conditions de pression avec des données expérimentales. Paradoxalement, c’est celui qui joue le r^ole le plus important sur la dynamique de l’écoulement en condition supercritique. C’est pourquoi, dans la partie suivante, nous allons regarder et comparer les effets de la diffusion de la masse et les transferts thermiques à travers l’étude du nombre de Lewis dans le cas d’écoulement supercritique. Cette étude permettra également d’expliquer l’augmentation locale de la densité comme on peut le voir sur les images 4.3. Au lieu de s’étaler de façon homogène avec l’homogénéisation des grandeurs thermodynamiques, le profil de densité augmente dans la zone de mélange de telle sorte que le maximum de la densité ne se situe plus au centre du jet mais dans la couche de mélange. La différence d’intensité entre la diffusion de la masse et de la température semble jouer un r^ole important et c’est pourquoi nous avons appelé ces effets : les effets de Lewis. 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement −2000 2000 4000 6000 −2000 0 0 2 4 * x (−) 6 8 −2000 0 2000 4000 6000 * 2 4 * x (−) 6 0 0 8 −2000 0 2000 4000 6000 −2000 2 4 x (−) * 6 * 1 0 0 8 µGR , λGR et DGP à t∗ = 10 −2000 0 2000 4000 6000 2 4 x (−) * 6 0 0 8 −2000 0 2000 4000 6000 −2000 4 x* (−) 6 µGR , λGR et DBEL à t∗ = 10 8 1 * * 2 4 * x (−) 6 8 0 2000 4000 6000 2 4 * x (−) 6 8 0 2000 4000 6000 2 4 x* (−) 6 8 2 y (−) y (−) 0 0 2 µGR , λGR et DGP à t∗ = 30 2 1 6000 1 µGR , λGR et DGP à t∗ = 20 2 4000 2 y (−) * 0 0 2000 µGP , λGR et DGR à t∗ = 30 2 1 0 1 µGP , λGR et DGR à t∗ = 20 y (−) y* (−) 6000 1 0 0 2 y* (−) 4000 y (−) * 1 −2000 S6 2000 2 µGP , λGR et DGR à t∗ = 10 S4 0 2 y (−) y* (−) Sr 0 2 129 0 0 2 4 x* (−) 6 µGR , λGR et DBEL à t∗ = 20 8 1 0 0 µGR , λGR et DBEL à t∗ = 30 F IG . 4.14 – Champs d’enthalpie molaire extraits à t∗ = 10, 20 et 30 pour les simulations Sref , S4 et S6 . 130 Simulation de la déstabilisation d’un jet en condition supercritique 200 400 500 600 200 0 0 2 4 x* (−) 6 200 300 400 500 600 2 4 x* (−) 6 0 0 8 0 0 2 4 x (−) * 6 200 300 400 500 600 200 y* (−) 1 µGR , λGR et DGP à t∗ = 10 200 300 400 500 600 2 4 x (−) * 6 0 0 8 200 300 400 500 600 200 2 4 x* (−) 6 µGR , λGR et DBEL à t∗ = 10 8 4 x* (−) 6 8 300 400 500 600 2 4 x* (−) 6 8 300 400 500 600 2 4 x* (−) 6 8 2 y* (−) y* (−) 0 0 2 µGR , λGR et DGP à t∗ = 30 2 1 600 1 µGR , λGR et DGP à t∗ = 20 2 500 2 0 0 8 400 µGP , λGR et DGR à t∗ = 30 2 1 300 1 µGP , λGR et DGR à t∗ = 20 y* (−) y* (−) 600 1 0 0 8 2 y* (−) 500 y* (−) 1 200 S6 400 2 µGP , λGR et DGR à t∗ = 10 S4 300 2 y* (−) y* (−) Sr 300 2 1 0 0 2 4 x* (−) 6 µGR , λGR et DBEL à t∗ = 20 8 1 0 0 µGR , λGR et DBEL à t∗ = 30 F IG . 4.15 – Champs de température extraits à t∗ = 10, 20 et 30 pour les simulations Sref , S4 et S6 . 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement Simulation S1 Sref S2 S3 S4 S5 S6 S7 t∗ 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 131 Moyenne Écart type 0.6333 0.6978 0.7085 0.6333 0.7097 0.7074 0.6333 0.7097 0.7073 0.6343 0.7112 0.7071 0.6335 0.6989 0.7087 0.6354 0.7117 0.7071 0.5630 0.6741 0.7087 0.5646 0.6844 0.7092 0.2230 0.1218 0.0254 0.2515 0.0719 0.0108 0.2514 0.0722 0.0102 0.2519 0.0703 0.0096 0.2245 0.1285 0.0291 0.2510 0.0708 0.0093 0.3403 0.1728 0.0440 0.3417 0.1583 0.0349 TAB . 4.10 – Moyennes et variances de la fraction massique d’oxygène en fonction des simulations aux instants t∗ = 10, 20 et 30. 132 Simulation de la déstabilisation d’un jet en condition supercritique Simulation S1 Sref S2 S3 S4 S5 S6 S7 t∗ 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 Moyenne Écart type 0.2126 0.1989 0.1667 0.2032 0.1869 0.1506 0.2053 0.1889 0.1510 0.2162 0.2031 0.1584 0.2080 0.1879 0.1652 0.2225 0.2114 0.1622 0.2037 0.1860 0.1623 0.2201 0.2079 0.1785 0.2959 0.2598 0.1772 0.2716 0.2285 0.1228 0.2742 0.2309 0.1192 0.3016 0.2671 0.1458 0.2721 0.2464 0.1537 0.3174 0.2883 0.1590 0.2711 0.2247 0.1612 0.3128 0.2806 0.2082 TAB . 4.11 – Moyennes et variances de l’enthalpie en fonction des simulations aux instants t∗ = 10, 20 et 30. 4.3 Effets des coefficients de transport sur la dynamique de l’écoulement Simulation S1 Sref S2 S3 S4 S5 S6 S7 t∗ 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 10 20 30 133 Moyenne Écart type 0.2220 0.2094 0.1779 0.2132 0.1977 0.1618 0.2152 0.1997 0.1621 0.2259 0.2138 0.1695 0.2137 0.2044 0.1713 0.2321 0.2222 0.1734 0.2131 0.1964 0.1733 0.2291 0.2181 0.1896 0.3010 0.2633 0.1786 0.2764 0.2313 0.1236 0.2788 0.2336 0.1199 0.3056 0.2695 0.1466 0.2977 0.2570 0.1721 0.3211 0.2907 0.1598 0.2771 0.2291 0.1629 0.3175 0.2841 0.2097 TAB . 4.12 – Moyennes et variances de la température en fonction des simulations aux instants t∗ = 10, 20 et 30. 134 4.4 Simulation de la déstabilisation d’un jet en condition supercritique Nombre de Lewis du mélange O2/H2 Dans la plupart des simulations que nous avons réalisées, nous avons choisi l’oxygène et l’hydrogène comme réactifs car ils sont utilisés dans le moteur Vulcain. Lorsque nous avons étudié l’évolution de la déstabilisation du jet et plus particulièrement l’évolution de la densité, nous avons remarqué l’apparition d’un phénomène particulier dans la zone de mélange : l’apparition d’un pic de densité. Ce pic de densité est facilement observable sur l’évolution de la densité du cas de référence, surtout sur les coupes du jet de la figure 4.2. Si on compare les images extraites à l’instant initial et à t∗ = 10, l’apparition du pic de densité dans la zone de mélange est flagrante. Nous allons dans cette partie chercher à comprendre les mécanismes d’apparition de cette augmentation locale de la densité 4.4.1 Origine de l’apparition du pic de densité Lorsqu’on a comparé l’évolution des champs de température et des fractions massiques, présentés sur les images des figures 4.13 et 4.15, on a remarqué que les transferts de température et de masse ne s’effectuent pas avec la m^eme intensité ; l’homogénéisation de la concentration étant plus rapide que celle de la température. Ceci est également observable en regardant les valeurs des moyennes de la température et des fractions massiques dans les tableaux 4.10 et 4.12. Il suffit de regarder l’évolution temporelle des ces deux grandeurs tracées à différents instants de la simulation sur les images de la figure 4.16. On y présente également les profils de la densité afin de voir apparaitre ces pics de densité au fur et à mesure que le temps avance. Ainsi, on remarque dans la zone de mélange que la température décroit plus rapidement dans le jet qu’elle augmente à l’extérieur du jet. On observe en m^eme temps un transfert important de la masse d’oxygène vers l’extérieur du jet qui fait augmenter fortement la fraction massique d’oxygène dans cette zone alors qu’au centre du jet, elle décroit faiblement. La conséquence de ces transferts à deux vitesses, est que l’augmentation de la concentration d’oxygène se cumule à une diminution de la température et qu’au bout d’un certain temps, la concentration d’oxygène dans la zone de mélange se rapproche de la valeur de YO2 au centre du jet mais dans une zone où la température est beaucoup plus faible et proche de la température initiale de l’hydrogène. La température étant plus faible, la densité augmente et finit par dépasser la densité au centre du jet. On peut expliquer la faible augmentation de la température dans l’hydrogène à partir des capacités thermiques des deux fluides dont les valeurs initiales, pour chacun des deux fluides, sont notées dans le tableau 4.13. Si on s’intéresse à la variation d’enthalpie qui est définie à une pression donnée par la relation suivante : ∆H = Cp ∆T (4.13) on en déduit que, pour une variation d’enthalpie ∆H équivalent d’un coté ou de l’autre de la couche de mélange, la variation de température sera beaucoup plus faible du coté de l’hydrogène que du coté de l’oxygène car la valeur de la capacité thermique de l’hydrogène est 4.4 Nombre de Lewis du mélange O2 /H2 135 1 600 0.8 YO (−) 400 300 200 0 0.6 2 T (K) 500 0.4 0.2 0.5 1 * y (−) 1.5 0 0 2 80 2 60 1.5 40 20 0 0 1 * y (−) 1.5 2 Fraction massique de O2 (-) Le (−) ρ (kg/m3) Température (K) 0.5 1 0.5 0.5 1 y* (−) 1.5 2 0 0 Densité (kg/m3 ) 0.5 1 y* (−) 1.5 2 Nombre de Lewis (-) F IG . 4.16 – Évolution de la température, de la fraction massique de O2 , de la densité et du nombre de Lewis extraits de la simulation de référence à t∗ = 0 (trait plein rouge), t∗ = 5 (traits pointillés noirs) et t∗ = 10 (croix vertes). supérieure à celle de l’oxygène. De m^eme, les coefficient de diffusion des deux espèces dans le mélange (figure 4.11) montrent que l’oxygène diffusera d’avantage dans le mélange formé du c^oté hydrogène que le H2 dans le mélange formé du c^oté oxygène. Cette description sommaire ne permet pas à elle seule d’expliquer l’apparition des pics de densité car la variation d’enthalpie entre deux instants, calculée par l’équation de transport de l’enthalpie, n’est pas nécessairement la m^eme et le mélange des espèces fait varier la concentration. Ainsi, pour comparer la diffusion de la température et la diffusion des espèces, il existe un nombre adimensionnel : le nombre de Lewis. En effet, il permet de quantifier l’intensité de la diffusion des espèces par rapport à la diffusivité thermique et est défini par la relation : Le = λ ρ Cp Dij (4.14) avec λ la conductivité thermique, ρ la densité, Cp la capacité thermique massique (Cp = cp /M ) et Dij le coefficient de diffusion binaire. À partir des modèles disponibles pour calculer les coefficients de transport, le nombre de Lewis a alors été calculé de trois manières différentes : 136 Simulation de la déstabilisation d’un jet en condition supercritique CpH2 (T = 225 K) CpO2 (T = 600 K) Gaz réels NIST 14350 1035 14239 1031 TAB . 4.13 – Valeurs de la capacité thermique massique à pression constante (J/(kg.K)) des fluides à l’instant initial, calculées à partir des modèles gaz réels et issues du NIST [63]. 2.5 Le (−) 2 1.5 1 0.5 0 0 0.5 1 y* (−) 1.5 2 F IG . 4.17 – Profil du nombre de Lewis à l’instant initial lorsque les coefficients de transport sont calculés avec les lois des gaz parfaits, des gaz réels et les polyn^omes développés par Bellan et al [3] (étoiles vertes). 1. lorsque les coefficients de transport sont déterminés par les lois des gaz réels, 2. lorsque les coefficients de transport sont déterminés par les lois des gaz parfaits, 3. en utilisant les polyn^omes développés par Bellan et al [3] qui permettent de calculer le nombre de Schmidt (équation 2.120) et le nombre de Prandtl (équation 2.114). À partir de ces deux nombres adimensionnels, on déduit facilement le nombre de Lewis en faisant le rapport Schmidt sur Prandtl. Les profils du nombre de Lewis, calculés à l’instant initial, sont présentés sur la figure 4.17. Dans un premier temps, on remarque qu’au centre du jet, la valeur du nombre de Lewis est sensiblement la m^eme quelque soit le modèle utilisé ; cette partie est composée d’oxygène pur. À l’extérieur du jet, on obtient des valeurs différentes en fonction du modèle et cette partie est composée d’hydrogène pur. On peut lier ces constatations aux profils initiaux des coefficients de transport présentés sur les images de la figure 4.11. En effet, pour les trois modèles utilisés, on voit peu de différences pour la valeur de la conductivité thermique et pour la valeur des coefficients de diffusion au centre du jet, et donc pour l’oxygène pur. À l’extérieur du jet (hydrogène pur), on observe des écarts plus importants surtout avec les polyn^omes de Bellan et al. 4.4 Nombre de Lewis du mélange O2 /H2 Simulation LeO2 S1 Sref S2 S3 S4 S5 S6 S7 0.27 0.26 0,26 0.26 0.28 0.27 0.32 0.32 137 LeH2 LeH2 /LeO2 1.93 1.78 1.78 1.89 1.92 1.44 2.65 2.14 7.18 6.74 6.74 7.35 6.88 5.27 8.32 6.68 TAB . 4.14 – Valeurs du nombre de Lewis à l’instant initial, pour les différentes simulations du tableau 4.9, au centre du jet (LeO2 ) et sur les bords (LeH2 ). Pour expliquer l’origine de cette augmentation de la densité dans la zone de mélange à partir du nombre de Lewis, il suffit de regarder la valeur de ce dernier. On remarque qu’au centre du jet le nombre de Lewis est environ égal à 0.3 et donc largement inférieur à 1. On en déduit que dans cette zone, la diffusion de la masse va ^etre largement supérieure à la diffusion de l’énergie sous forme de chaleur. Or, à l’extérieur du jet, le nombre de Lewis est proche de 2 et ainsi la diffusion de l’énergie sous forme de chaleur se propage plus rapidement que la diffusion de la masse et donc des molécules d’hydrogène et d’oxygène. Ainsi, les molécules d’oxygène vont diffuser depuis le centre du jet vers la couche de mélange plus rapidement que le jet oxygène réchauffe le co-flow. De plus, à l’extérieur du jet, le nombre de Lewis étant supérieur à 1, l’hydrogène refroidi le jet plus vite que les molécules d’hydrogène ne pénètrent dans le jet. Ainsi, dans la zone de mélange, le mélange qui se crée aura une température faible et proche de la température initiale du H2 mais il sera composé d’hydrogène et d’oxygène. Dans ces conditions, le mélange formé devient plus dense que le centre du jet. 4.4.2 Effets des modèles utilisés pour calculer les coefficients de transport Nous avons précédemment calculé le nombre de Lewis de trois façons différences en utilisant les modèles gaz parfaits, gaz réels et à partir des polyn^omes de Bellan et al. Nous allons à présent nous attarder sur les effets des modèles permettant de calculer les coefficients de transport sur le nombre de Lewis. Dans un premier temps, on calcule les valeurs initiales du nombre de Lewis pour les simulations présentées au tableau 4.9, mais uniquement au centre du jet (oxygène pur) et au bord du domaine (hydrogène pur). Les valeurs sont regroupées dans le tableau 4.14 et on y présente également le rapport LeH2 /LeO2 . De plus, on trace sur la figure 4.18, les profils de densité pour toutes les simulations à t∗ = 10, instant de la simulation où on voit apparaitre des pics de densité. Tout d’abord, on remarque à partir du tableau 4.14 et de la figure 4.17, que la valeur du nombre de Lewis est sensiblement identique au centre du jet, quelque Simulation de la déstabilisation d’un jet en condition supercritique 70 70 60 60 60 50 50 50 40 Le (−) 70 Le (−) Le (−) 138 40 40 30 30 30 20 20 20 10 0 10 0 0.5 1 * y (−) 1.5 2 0.5 1 y* (−) 1.5 2 10 0 0.5 1 y* (−) 1.5 Simulations S1 (ronds rouges) Simulations S2 (ronds rouges), Simulations S5 (ronds rouges), et Sref (carrés noirs) S3 (carrés noirs) et S4 (étoiles bleues) S6 (carrés noirs) et S7 (étoiles bleues) 2 F IG . 4.18 – Profils de la densité à t∗ = 10 pour les différentes simulations du tableau 4.9. 40 ρ (kg/m3) 35 30 25 20 15 10 0 0.5 1 y* (−) 1.5 2 F IG . 4.19 – Profils de densité extraits de la simulation S6 à t∗ = 10 (carrés noirs) et 12.5 (ronds rouges). soit le modèle utilisé alors qu’à l’extérieur du jet, on obtient des valeurs différentes. On peut à nouveau lier cette constatation aux profils initiaux des coefficients de transport présentés sur les images de la figure 4.11. De plus, si on compare les profils initiaux de la densité en fonction des modèles utilisés pour calculer les coefficients de transport, on remarque que la valeur maximale de la densité apparait aux m^emes valeurs de x∗ . Cette valeur n’est plus située au centre du jet mais dans la zone de mélange à x∗ ' 0.6 et x∗ ' 1.4 à l’exception de la simulation S6 qui ne présente pas de pics de densité flagrants. Il suffit alors d’avancer dans le temps pour constater qu’à t∗ = 12, 5, ils apparaissent clairement (cf. figure 4.19). En comparant les valeurs du nombre de Lewis initiales au centre et sur les bords du domaine, on s’aperçoit que la simulation S6 possède la valeur maximale du nombre de Lewis du coté de l’hydrogène et au centre du jet ainsi que le rapport LeH2 /LeO2 le plus grand. On peut d’abord écarter comme unique facteur de cause, le nombre de Lewis au centre de la simulation car la simulation S7 possède la m^eme valeur du nombre de Lewis au centre du jet mais elle présente des pics de densité à t∗ = 10. Si on compare la hauteur du pic, qui correspond à la différence entre la valeur maximale de la densité et la valeur de la densité au centre, on déduit que plus le nombre de Lewis du coté de l’hydrogène est important, plus la hauteur est grande à un instant donné. Bien que pour la simulation S6 , le rapport LeH2 /LeO2 soit le plus grand, on remarque que celui de la simulation 139 2.5 2.5 2 2 2 1.5 1.5 1.5 1 0.5 0 0 Le (−) 2.5 Le (−) Le (−) 4.4 Nombre de Lewis du mélange O2 /H2 1 0.5 0.5 1 * y (−) 1.5 2 0 0 TH2 = 100 K 1 0.5 0.5 1 * y (−) TH2 = 200 K 1.5 2 0 0 0.5 1 * y (−) 1.5 2 TH2 = 400 K F IG . 4.20 – Profil du nombre de Lewis à l’instant initial, déterminé à partir des variables calculées avec les lois des gaz réels lorsque la température initiale de O2 est de de 200 K et qu’on fait varier la température de H2 de 100 à 400 K. S7 est supérieur à celui de la simulation Sref et pourtant la hauteur du pic est supérieure pour cette dernière alors que le nombre de Lewis du coté du H2 est plus petit. Ainsi, plus la valeur du nombre de Lewis du coté de l’hydrogène est grande, plus le pic de densité se forme tard. 4.4.3 Effets de la température Les simulations utilisées pour cette étude sont très éloignées des conditions réelles présentes en proche sortie des injecteurs du moteur Vulcain. Cependant, il est possible de faire varier les conditions initiales et de regarder comment évolue le nombre de Lewis sans pour autant réaliser la simulation complète. On peut alors atteindre des valeurs des conditions initiales proches de la réalité sans pour autant les simuler avec le code Asphodèle. Ainsi, on fait varier la température des réactifs, dans la limite de validité des modèles physiques utilisés, pour calculer les profils du nombre de Lewis associés à ces conditions. Dans un premier temps, nous allons fixer la température de l’oxygène, à 200 K et nous allons faire varier celle de l’hydrogène. Trois cas de tests ont été mis en œuvre en choisissant différentes températures de H2 telles que : – TH2 = 100 K ⇒ TH2 < TO2 , – TH2 = 200 K ⇒ TH2 = TO2 , – TH2 = 400 K ⇒ TH2 > TO2 . Les profils initiaux du nombre de Lewis sont présentés en figure 4.20. On constate alors que la valeur du nombre de Lewis du coté de l’hydrogène varie avec la température ce qui est normal car les grandeurs utilisées pour calculer le nombre de Lewis dépendent aussi de la température. 140 Simulation de la déstabilisation d’un jet en condition supercritique Il augmente lorsque la température diminue, quand on se rapproche des conditions d’injection. Par contre, si on compare la valeur du nombre de Lewis de l’oxygène sur les images de la figure 4.20 (TO2 = 200 K) à celle de la figure 4.17 (TO2 = 600 K), on constate qu’elle ne varie presque pas. Dans toutes les simulations qui ont été présentées depuis le début, avec le couple de réactif O2 /H2 , la température de l’oxygène est supérieure à celle de l’hydrogène. En fait, la température du fluide le plus lourd est toujours supérieure à celle du fluide le plus léger. Que se passe-t’il dans le cas contraire ? Si on inverse les températures, comme dans le cas TH2 de la figure 4.20, l’intensité des transferts de masse par rapport aux transferts d’énergie doivent ^etre quasiment identique puisque le profil de Lewis est sensiblement le m^eme. Pourtant, dans cette configuration, la température de l’oxygène va augmenter mais, d’après le profil du nombre de Lewis, le jet va se réchauffer plus vite que le co-flow se refroidit. Cela va donc faire diminuer la densité de l’hydrogène. En m^eme temps, la concentration d’oxygène va s’étaler et faire augmenter la densité à l’extérieur du jet qui restera toujours inférieur à la densité au centre du jet car la température est plus faible et la concentration en oxygène toujours supérieure qu’à l’extérieur du jet. Par contre, le gradient de densité ne s’étalera pas de manière uniforme du coté du jet ou du co-flow. On a remarqué ici, que la température initiale des réactifs n’affectait que très peu la valeur initiale du nombre de Lewis. Par contre, la distribution des températures joue un r^ole important. Ces effets apparaissent lorsque la pression est élevée mais qu’en est il à la pression atmosphérique ? Nous allons donc nous intéresser aux effets de la pression sur le nombre de Lewis car toutes les grandeurs utilisées dans l’équation 4.14 dépendent également de la pression. 4.4.4 Effets de la pression Afin de regarder les effets de la pression sur le profil du nombre de Lewis, nous avons utilisé la configuration de référence en prenant comme valeur pour la pression, la pression atmosphérique. Le profil du nombre de Lewis est présenté sur la figure 4.21. Il est calculé avec les grandeurs physiques qui ont été déterminées avec les lois des gaz parfaits et les lois des gaz réels. En effet, les polyn^omes de Bellan et al n’étant valables qu’à une pression de 100 bar, il est donc impossible de les utiliser pour ce cas. On constate que la pression ne joue pas un r^ole important sur les valeurs du nombre de Lewis de l’oxygène et de l’hydrogène. En divisant la pression par 100, la densité est également divisée 100 environ et il en est de m^eme pour le coefficient de diffusion binaire. La viscosité, quant à elle, ne varie que faiblement (cf. tableau 4.3). Ainsi, il est donc normal que la valeur du nombre de Lewis ne varie presque pas avec la pression. Nous avons regardé les effets dus aux modèles physiques, aux températures initiales et à la pression, nous allons, pour conclure cette étude, nous intéresser au couple de réactifs utilisé pour la simulation. La différence entre les masses molaires entre les réactifs est peut ^etre la 4.4 Nombre de Lewis du mélange O2 /H2 141 Le (−) 2 1.5 1 0.5 0 0.5 1 * y (−) 1.5 2 F IG . 4.21 – Profil du nombre de Lewis à l’instant initial en fonction des variables calculées avec les lois des gaz parfaits (trait plein) et les lois des gaz réels (traits pointillés) pour la configuration de référence à la pression atmosphérique. 0.8 0.6 0.4 0 1 Le (−) 1 Le (−) Le (−) 1 0.8 0.6 0.5 1 y* (−) Configuration 1 1.5 2 0.4 0 0.8 0.6 0.5 1 y* (−) 1.5 2 0.4 0 Configuration 2 0.5 1 y* (−) 1.5 2 Configuration 3 F IG . 4.22 – Profil initial du nombre de Lewis pour les trois configurations présentées dans le tableau 4.7. cause de l’apparition du pic de densité dans la zone mélange. 4.4.5 R^ ole des espèces choisies : cas du mélange O2 /N2 Nous allons maintenant regarder les effets du nombre de Lewis lorsque le rapport des masses molaires diminue. Pour cela, nous utilisons à nouveau les trois configurations présentées dans le tableau 4.7 qui nous ont servi à tester la sensibilité du code aux effets de gaz réels. En effet, le rapport des masses molaires étant plus faible, il est possible de simuler les écoulements présentant de faibles coefficients de compressibilité tout en ayant des densités assez proches. On a donc calculé les profils initiaux du nombre de Lewis pour les trois configurations. Ils sont tracés sur les images de la figure 4.22. On remarque tout d’abord que, pour ce couple d’espèces, le nombre de Lewis est inférieur à 1 partout dans le domaine. Les espèces diffuseront avec une intensité plus importante que la température et ce, n’importe où dans le domaine de calcul. Ainsi, il n’apparait pas dans ce cas de pic de densité comme dans le cas du mélange O2 /H2 . De plus, lorsque les effets de gaz réels diminuent et donc lorsque le rapport des coefficients de compressibilité RZ se rapproche de 1, le nombre de Lewis se rapproche de 1 142 Simulation de la déstabilisation d’un jet en condition supercritique également. N’ayant pas effectué de simulation, avec ce couple de réactif, dont la température de l’espèce la plus dense serait supérieure à cette celle de l’espèce la moins dense, il est impossible de voir apparaitre des effets de Lewis sur la couche de mélange ; le rapport des masses molaires étant faible, il n’y aurait peut-^etre eu aucun effet. 4.4.6 Bilan Quelles peuvent ^etre les conséquences de l’apparition de ces pics de densité sur la dynamique de l’écoulement ? Plut^ot que de s’étaler au fur à mesure que les deux fluides se mélangent, la densité augmente dans un premier temps pour atteindre un pic puis elle s’étale dans un second temps. Ceci a pour conséquence d’augmenter la tenue dans le temps du gradient de densité. Ainsi, si on considère une poche d’oxygène, issue d’une goutte liquide qui aurait atteint à sa surface les conditions critiques ou issue d’un dard liquide, qui se serait réchauffée et serait en contact avec de l’hydrogène plus froid (proche de l’injecteur), on peut penser que cette poche parcourra une distance plus importante avant d’^etre complètement diluée. Ainsi, la poche en question, qui ira plus loin, modifiera par exemple l’emplacement du front de flamme, le taux de combustion, les transfert de chaleur aux parois, etc. À travers cette étude, nous avons, dans un premier temps, cherché à comprendre comment apparaissaient ces pics de densité dans la couche de mélange. Il semble que le nombre de Lewis en soit directement la cause. En effet, la fraction massique d’oxygène diffusant plus rapidement que la température du jet réchauffe le coflow, il apparait donc, dans la couche de mélange, des zones dont la composition en oxygène augmente et qui se trouvent à faible température ; la densité devient alors supérieure à la densité du centre du jet. Dans un second temps, nous avons étudié l’impact de divers paramètres comme la température, la pression et le rapport des nombres de Lewis sur l’apparition de ces pics. Les températures des fluides jouent un r^ole important car il est nécessaire que la température du fluide le plus lourd soit supérieure à celle du fluide le plus léger pour que ce phénomène puisse avoir lieu. Par contre, la variation de la température ne fait que faiblement varier le profil du nombre de Lewis et il en est de m^eme pour la pression. Seule la valeur du nombre de Lewis de la phase légère semble influencer le temps d’apparition des effets de Lewis. Plus le nombre de Lewis de la phase dense est important, plus ces effets sont retardés. Il serait intéressant de voir l’influence de cette valeur sur l’intensité de ces pics de densité. Enfin, le changement des réactifs a permis de vérifier que si la température du fluide le plus léger était supérieure à celle du fluide le plus lourd, alors il n’y aurait pas d’effets de Lewis. On a également remarqué qu’avec ces espèces, le nombre de Lewis est partout inférieur à 1. Pour certains modèles présentés au chapitre 1, les transferts de masse doivent ^etre d’intensité égale, ou du moins proche, des transferts thermiques ce qui est notamment le cas des simulations RANS lorsqu’elles sont couplées à la méthode de variable de mélange. Or, cette partie montre bien que ce n’est pas le cas pour le mélange entre l’oxygène et l’hydrogène. Quelles peuvent ^etre les conséquences du choix de ce modèle lorsque le nombre de Lewis diffère de 1 ? C’est 4.4 Nombre de Lewis du mélange O2 /H2 143 pourquoi, nous allons dans, la partie suivante, regarder les effets du nombre de Lewis sur le modèle de variable de mélange. Mais nous allons nous intéresser dans un premier temps au formalisme LES et plus particulièrement aux équations d’état. En effet, les codes LES, qui déterminent la pression ou la densité à partir de cette équation, y introduisent les grandeurs thermodynamiques filtrées sans utiliser de terme de sous-maille. 144 4.5 Simulation de la déstabilisation d’un jet en condition supercritique Études préliminaires portant sur la validation des approches LES et RANS Le code de simulation Asphodèle permet désormais de réaliser des simulations supercritiques et comme il s’agit d’un code de simulation numérique directe, il simule toutes les échelles de l’écoulement. En réalité, dans sa configuration actuelle, seules les plus petites échelles sont simulées. La parallélisation du code qui est en train de s’achever, va permettre de simuler des rapports de densité plus élevés ou encore d’augmenter le nombre de Reynolds du code afin de simuler des structures de tailles plus importantes. Pour l’instant, dans le cadre des simulations réalisées durant cette thèse, il est important de souligner qu’il n’y a pas à proprement parlé de turbulence. Néanmoins, il existe bien des zones de mélange où l’étirement par les tourbillons est en compétition avec les processus diffusifs. Ainsi, à partir des résultats issus du code Asphodèle, nous avons mis en place deux études permettant de tester des modèles physiques utilisés par certains auteurs dans leur code de simulation. Pour commencer, nous allons tester si le formalisme actuel utilisé en LES, qui consiste à filtrer les grandeurs thermo-physiques en les utilisant telles quelles dans l’équation d’état sans modèle de sous-maille, est toujours valable dans ces conditions de pression. Une deuxième série de tests concerne l’utilisation du modèle de la variable de mélange associée à des pdf présumées [27] alors que les nombres de Lewis et de Schmidt sont différents de 1. 4.5.1 Effet du filtrage pour la simulation aux grandes échelles sur l’équation d’état La simulation aux grandes échelles permet de réaliser des simulations numériques d’écoulement en simulant les grandes échelles alors que les plus petites échelles sont filtrées et modélisées. Pour des cas où la pression est faible et proche de la pression atmosphérique, cette approche a déjà été validée à de nombreuses occasions. La question qu’on peut se poser est : quel peut ^etre l’impact de l’utilisation d’un filtrage et des termes de sous-maille lorsque la pression est élevée ou encore lorsque les coefficients de compressibilité deviennent différent de 1 ? 4.5.1.1 DNS, LES et équation d’état Cette question a déjà été soulevée par Bellan et al [8] qui souligne que les modèles de sousmaille développés pour les écoulements à basse pression ne peuvent ^etre utilisés directement pour les simulations LES supercritiques. De plus, dans les simulations LES, l’équation d’état est utilisée sans modèle de sous-maille alors que sont utilisées dans cette équation des grandeurs moyennes que sont la température, la pression et les fractions massiques filtrées. Lorsque la pression est faible, il semble que cela ne pose pas de problème mais qu’en est-il à une pression de 100 bar ? 4.5 Études préliminaires portant sur la validation des approches LES et RANS 145 Pour tester l’impact des modèles de sous-maille utilisés en LES et plus particulièrement l’utilisation d’un filtre appliqué aux équations résolues, nous avons adapté la méthode dite des tests a priori. Cette méthode consiste à comparer des résultats issus d’une simulation DNS aux résultats obtenus en appliquant le m^eme filtre que celui utilisé dans la simulation LES. La comparaison entre les deux variables résolue et filtrée s’effectue par le biais d’un graphique appelé Scatter plot. Sur ce graphique, on trace la première variable en fonction de la seconde et si le modèle est parfait, on obtient alors la droite affine. Dans la plupart des cas, le modèle est une approximation et on obtient sur le Scatter plot un nuage de points plus ou moins éloignés de cette droite. Nous avons utilisé cette méthode dans le cadre d’une étude préliminaire pour ainsi tester l’impact du filtrage LES sur l’équation d’état. Si on se penche sur la détermination de la densité dans les codes de simulation, cette dernière est liée à plusieurs grandeurs thermodynamiques (pression, composition, température) et toutes ces grandeurs sont liées les unes aux autres par une loi de comportement qu’est l’équation d’état. L’équation d’état, qui doit ^etre constamment valable quelque soit les conditions, doit ^etre vérifiée dans le cadre d’une simulation aux grandes échelles. Or, avec ce formalisme, les variables ont été filtrées avant d’^etre introduites dans l’équation d’état ce qui peut jouer un r^ole non négligeable sur les résultats du calcul lorsque la pression est très éloignée de la pression atmosphérique et lorsque les effets de gaz réels se font sentir. De plus, dans la totalité des simulations LES présentées au premier chapitre, l’équation d’état ne sert pas à calculer la densité mais elle est utilisée pour déterminer le champ de pression. La densité est, elle, transportée et son évolution temporelle est déterminée à partir de l’équation de conservation de la masse. Les équations d’état, qui ont été détaillées au chapitre 2, se présentent sous la forme d’une relation qui lie les variables thermodynamiques entre elles, tel que : ρ = f (P, T, Yi ) (4.15) Dans le cadre d’une LES, les grandeurs qui sont introduites dans cette équation sont filtrées et nous allons regarder si la relation 4.15 est encore applicable ou s’il est nécessaire d’apporter une correction de sous-maille. Cette correction est notée ∆ρ SGS et les grandeurs filtrées, comme la densité, sont notées ρ. Ainsi, l’équation d’état appliquée aux grandeurs filtrées devient : ρ = f P , T , Yi + ∆ρ SGS (4.16) Le résultat issu de l’équation d’état dans laquelle on a introduit les variables filtrées, sera noté ρ̌ tel que : ρ = ρ̌ + ∆ρ SGS 4.5.1.2 (4.17) Mise en œuvre Pour étudier l’impact du filtrage des grandeurs physiques dans l’équation d’état, nous avons appliqué un filtre sur les variables issues des résultats des DNS. Pour cette étude préliminaire, 146 Simulation de la déstabilisation d’un jet en condition supercritique le filtre utilisé revient à calculer en chaque point du maillage la moyenne des valeurs sur un domaine caractérisé par la taille du filtre. Cette moyenne est calculée à partir des valeurs se trouvant à une distance choisie (taille du filtre) d’un point telle que, pour la densité : n P n P ρ xi+α− n+1 , yj+β− n+1 2 2 α=1 β=1 ρ (xi , yj ) = (4.18) n2 On nomme n, l’ordre du filtre. Les conditions limites de périodicité facilitent le calcul des grandeurs filtrées sur les bords. On applique ce filtre d’une part sur un champ de densité afin d’obtenir la grandeur ρ et dans un second temps, on applique le m^eme filtre aux champs de température, des fractions massiques des différentes espèces et du coefficient de compressibilité pour calculer les grandeurs T , Yi . Ces grandeurs sont ensuite introduites dans l’équation d’état pour calculer la nouvelle densité ρ̌. On a appliqué le filtrage au champ de densité extrait de la configuration de référence à t∗ = 20. Ce champ de densité est intéressant car on y voit le pic de densité dans la couche de mélange ainsi que des structures tourbillonnaires. De plus, on a utilisé différentes valeurs de taille du filtre qui sont n = 25, 51 et 101. La taille du filtre est fonction de la taille des structures présentes dans l’écoulement. Elle peut para^ıtre importante pour notre configuration mais elle est à comparer aux grands tourbillons qui pourraient ^etre présents dans le domaine si la taille de la simulation était plus grande et/ou le nombre de Reynolds plus important. 4.5.1.3 Résultats Les résultats sont présentés sur les images de la figure 4.24 sur lesquelles on détaille les champs ρ et ρ̌, la différence entre ρ et ρ̌ qui correspond à ∆ρ SGS est le pourcentage d’écart de ρ par rapport à ρ̌. Mais avant tout, nous présentons le champ de densité utilisé pour cette étude sur l’image de la figure 4.23. À partir de ces images, on peut observer l’impact du filtrage sur 10 20 30 40 50 60 70 y* (−) 2 1 0 0 2 4 x* (−) 6 8 t∗ = 20 F IG . 4.23 – Champs de densité extraits à t∗ = 20 de la simulation de référence Sref . le champs de densité. On remarque que plus la valeur de n augmente, plus on lisse les fluctuations jusqu’à obtenir le champ moyen (n = 101). Les conséquences sur l’écoulement sont mises en évidence sur des coupes des champs ρ et ρ̌, effectuées à x∗ = 4 et présentées sur les 4.5 Études préliminaires portant sur la validation des approches LES et RANS 10 20 30 40 50 60 70 10 20 0 0 2 10 20 4 x* (−) 6 8 10 30 40 50 60 70 2 4 x* (−) 6 0 0 8 2 4 * x (−) 6 10 20 30 40 50 60 70 1 2 ρ̌ pour n = 25 10 0 0.2 0.4 0.6 4 * x (−) 6 0 2 4 x* (−) 6 0.2 0.4 0.6 0.5 1 1.5 2 2.5 2 4 x* (−) 6 0.5 1 1.5 2 2.5 3 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 25 8 40 50 60 70 4 * x (−) 6 8 0.2 0.4 0.6 2 4 x* (−) 6 8 0.5 1 1.5 2 2.5 3 2 y* (−) y* (−) 2 6 ∆ρ SGS pour n = 101 1 0 0 30 2 0 0 8 2 1 4 x* (−) 1 ∆ρ SGS pour n = 51 2 20 0 1 ∆ρ SGS pour n = 25 70 2 0 0 8 60 ρ̌ pour n = 101 y* (−) y* (−) 0 0 2 0 0 8 2 1 50 1 ρ̌ pour n = 51 2 40 2 0 0 8 30 ρ pour n = 101 y* (−) 1 20 1 ρ pour n = 51 y* (−) y* (−) 70 2 0 0 y* (−) 60 1 0 0 2 * 50 2 ρ pour n = 25 y (−) 40 y* (−) 1 0 0 30 2 y* (−) y* (−) 2 147 2 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 51 1 0 0 2 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 101 F IG . 4.24 – Champs de ρ, ρ̌ à t∗ = 20 de la simulation de référence pour différentes valeurs de n. On présente également la différence entre ρ et ρ̌ (∆ρ SGS ) et le pourcentage d’erreur de ρ par rapport à ρ̌. images de la figure 4.25. Plus la taille du filtre est grande et plus les pics de densité dans la zone de mélange sont gommés. On constate d’ailleurs que lorsque n = 101, le pic de densité a complètement disparu. De plus, l’augmentation de la taille du filtre fait disparaitre les structures tourbillonnaires et l’écoulement devient presque laminaire quand l’ordre du filtre est égal à 101. Pour étudier l’impact de l’utilisation des grandeurs filtrées dans l’équation d’état, on regarde les champs de ∆ρ SGS qui correspondent à l’écart entre la densité filtrée et la densité calculée avec l’équation d’état et les grandeurs filtrées. On constate que le maximum d’écart est situé dans les zones de gradient élevé. En effet, ce filtre effectuant la moyenne de chaque variable et en présence de fort gradient, il impose de tenir compte des valeurs de chaque c^oté du gradient qui sont plus faibles et plus fortes que la valeur du point en question et cela d’autant plus que l’ordre du filtre est grand. Par contre, la valeur du maximum de ∆ρ SGS pour les différentes tailles de filtre Simulation de la déstabilisation d’un jet en condition supercritique 35 35 30 30 30 25 20 15 ρ (kg/m3) 35 ρ (kg/m3) ρ (kg/m3) 148 25 20 15 0 0.5 1 y* (−) 1.5 n = 25 et t∗ = 20 2 0 25 20 15 0.5 1 y* (−) 1.5 n = 51 et t∗ = 20 2 0 0.5 1 y* (−) 1.5 2 n = 101 et t∗ = 20 F IG . 4.25 – Profils de ρ (ligne noire), ρ (ronds rouges) et ρ̌ (carrés bleus) tracés à x∗ = 4 pour différentes valeurs de n. varie très peu. Enfin, on constate que la valeur de ∆ρ SGS est toujours positive. ∆ρ SGS étant égal à la différence entre ρ et ρ̌, cela signifie donc qu’on sous-estime globalement la valeur de ρ̌. Or, c’est cette valeur qui est utilisée dans les codes LES et cela peut avoir un effet cumulatif et avoir un impact non négligeable sur les résultats des simulations LES. On a vu que le pourcentage d’écart entre les densités filtrées et calculées était faible (inférieur à 3 %). Par contre, la valeur de ∆ρ SGS étant partout positive et pour n’importe quelle taille de filtre, un effet cumulatif de ces erreurs pourrait, à la longue, ne plus ^etre négligeables. Cependant, les conditions utilisées pour cette étude restent éloignées des conditions réelles d’injection. C’est d’ailleurs pour cela que les conséquences sur l’équation d’état sont faibles car les effets de gaz réels sont négligeables. Nous avons effectué la m^eme étude sur un écoulement qui présente des valeurs de coefficients de compressibilité des réactifs qui soient plus faibles. 4.5.1.4 Effets des gaz réels Dans la configuration précédente, les fluides utilisés présentaient des coefficients de compressibilité proches de 1. Or, nous avons simulé des écoulements dont les coefficients de compressibilité étaient plus faibles mais pour cela, il a fallu changer le couple d’espèces. Ainsi, avec le couple oxygène et azote, nous allons étudier l’impact du filtrage sur des écoulements qui présentent des effets de gaz réels. On utilise alors la configuration 1 du tableau 4.7 à l’instant t∗ = 10 et, comme précédemment, on présente les champs ρ, ρ, ρ̌ et ∆ρ SGS , pour des tailles de filtre de 25, 51 et 101 sur les images des figures 4.26 et 4.27. On s’aperçoit que lorsqu’on s’éloigne des conditions de gaz parfaits, l’erreur relative de ρ̌ par rapport à ρ augmente. 4.5.1.5 Bilan L’étude de l’effet du filtre sur l’équation d’état permettant de calculer la densité ρ a montré que le terme correctif reste faible lorsque le coefficient de compressibilité est proche de 1. Ce 4.5 Études préliminaires portant sur la validation des approches LES et RANS 149 terme correctif, représenté par ∆ρ SGS , reste inférieur à 5 %. Par contre, si le coefficient de compressibilité décroit (de 1 à 0.7), la valeur de ∆ρ SGS augmente jusqu’à représenter 10 % d’erreur. De plus, sa valeur est toujours de m^eme signe ce qui pourrait induire un r^ole de plus en plus important au fur et à mesure que les erreurs se cumulent pour ne plus ^etre négligeable. Les effets de gaz réels Il serait intéressant d’étendre cette étude aux autres grandeurs thermo-physiques qui sont déterminées par un modèle dans lequel sont introduites des grandeurs filtrées. Par exemple, avec la méthode des variations qui permet de déterminer la valeur de la température à partir la composition et de l’enthalpie. Cette méthode a été présentée au chapitre 3 et est notamment utilisée par Schmitt et al dans la version supercritique du code AVBP [82]. C’est aussi le cas avec le calcul des coefficients de transport qui sont déterminés par le biais de modèles physiques. Ces modèles sont utilisés dans des simulations LES dans lesquelles les variables filtrées sont introduites sans utiliser de terme de sous-maille. À partir des résultats de la DNS et d’un code LES, il serait également possible d’effectuer des tests a priori pour étudier des modèles calculant les termes non fermés des équations de transport. En effet, il n’existe quasiment aucun modèle pour des applications supercritiques. Or, lorsque la pression est faible et proche de la pression atmosphérique, des problèmes de fermeture existent. C’est pourquoi des études ont été mises en place afin de tester et trouver des modèles [18] et [94]. De plus, comme l’a souligné Bellan et al [8], l’utilisation des modèles développés pour les basses pressions dans la cas de simulations supercritiques entraine d’importantes erreurs. Ainsi, à partir des résultats extraits du code Asphodèle, il serait possible de trouver des modèles adaptés pour les hautes pressions. 150 200 250 300 y* (−) 2 1 0 0 2 4 x (−) * 6 8 Configuration 1 à t∗ = 10 F IG . 4.26 – Champs de densité extraits à t∗ = 10 de la configuration 1 présentée dans le tableau 4.7. 150 Simulation de la déstabilisation d’un jet en condition supercritique 150 200 250 300 150 0 0 2 150 4 x* (−) 200 6 8 2 250 300 150 2 4 x* (−) 6 8 0 0 8 5 10 15 250 300 2 4 x* (−) 6 2 4 x* (−) 5 6 10 15 20 25 2 4 6 8 10 y* (−) 2 4 x* (−) 6 2 y* (−) 2 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 25 250 300 4 x* (−) 6 8 10 15 20 1 4 6 8 2 4 x* (−) 6 8 ∆ρ SGS pour n = 101 10 2 4 6 8 10 2 1 0 0 2 0 0 8 2 1 200 5 ∆ρ SGS pour n = 51 2 8 ρ̌ pour n = 101 1 ∆ρ SGS pour n = 25 6 2 0 0 8 4 x* (−) 1 0 0 8 y* (−) 0 0 2 150 2 1 300 2 1 20 250 ρ pour n = 101 ρ̌ pour n = 51 y* (−) * 200 0 0 2 y (−) 6 y* (−) y* (−) * y (−) 1 200 1 ρ pour n = 51 ρ̌ pour n = 25 * 4 x* (−) 2 0 0 y (−) 150 1 0 0 2 0 0 300 2 ρ pour n = 25 0 250 y* (−) 1 0 200 2 y* (−) * y (−) 2 2 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 51 1 0 0 2 4 x* (−) 6 8 Pourcentage d’erreur entre ρ et ρ̌ pour n = 101 F IG . 4.27 – Champs de ρ et de ρ̌ à t∗ = 10 de la configuration 1 pour différentes valeurs de n. On présente également la différence entre ρ et ρ̌ (∆ρ SGS ) et le pourcentage d’erreur de ρ par rapport à ρ̌. 4.5 Études préliminaires portant sur la validation des approches LES et RANS 4.5.2 151 Couplage de la méthode RANS et des pdf présumées La dernière étude proposée dans le cadre de cette thèse a été mise en place pour vérifier la pertinence de l’utilisation d’une variable de mélange et des pdf présumées dans le cadre d’application supercritique [27]. Pour réaliser des simulations d’écoulement supercritique issu d’un injecteur coaxial, une nouvelle équation de transport associée à la fraction de mélange a été couplée à des fonctions de densité de probabilité présumée. Cette méthode leur permet de déterminer les grandeurs physiques et thermodynamiques à partir d’une seule et unique variable : la fraction de mélange Z. Ainsi, au lieu de résoudre une équation de transport pour l’énergie, pour les fractions massiques et de déterminer la densité à partir d’une équation d’état (méthode à faible nombre de Mach) ou d’une équation de transport (méthode à haut nombre de Mach) puis de calculer les coefficients de transport, on résout une unique équation de transport pour la fraction de mélange Z en plus de l’équation du mouvement. La valeur moyenne de chacune des grandeurs est obtenue après intégration avec la pdf de Z en utilisant les relations entre chacune des variables thermo-physiques et Z. 4.5.2.1 Analyse des méthodes basées sur la variable de mélange La simplicité apparente du modèle implique des avantages comme la diminution des temps de calcul. Le gain en temps de calcul est important car il n’y a que deux équations de transport et les grandeurs physiques sont tabulées. Or, dans le code de simulation Asphodèle, il est nécessaire de résoudre trois équations de transport (mouvement, énergie et espèces), de déterminer le champ de pression à partir de la méthode à faible nombre de Mach, de calculer le champ de densité avec l’équation d’état et enfin d’extraire la température à partir de la méthode présentée au chapitre 3. La méthode est sensiblement la m^eme pour les codes de simulation LES présentés au chapitre 1 à la différence qu’ils utilisent une méthode compressible ce qui implique la résolution de l’équation de la masse pour déterminer le champ de densité. L’équation d’état sert quant à elle à déterminer le champ de pression. L’utilisation d’un code RANS ne permet pas de suivre l’évolution des grandeurs thermophysiques dans le temps. Malgré cela, on a constaté que ce type d’approche permet d’obtenir de très bons résultats sur les champs de grandeurs moyennées. On a présenté au premier chapitre des résultats extraits de simulations RANS [27] qui ont été comparés à des données expérimentales issues du banc Mascotte (cf. figure 1.10). Sur le cas test Mascotte, l’approche RANS donne des résultats moyens mais ils sont au moins aussi bons que ceux extraits des simulations LES comme celle de Schmitt et al [82] tout en ayant des temps de calcul beaucoup plus faibles. Malgré tout, l’utilisation de l’équation de transport de la fraction de mélange impose que les transferts de masse et d’énergie s’effectuent avec la m^eme intensité, c’est à dire qu’il faudrait que le nombre de Lewis soit proche de 1 dans tout le domaine. Or, nous avons calculé et présenté le nombre Lewis pour le cas d’une simulation supercritique et, en présence d’hydrogène et d’oxygène, nous avons montré dans la partie 4.4, qu’il diffère de 1 que l’on soit du coté de l’un ou l’autre des réactifs. Quelles sont alors les conséquences de l’utilisation de cette méthode 152 Simulation de la déstabilisation d’un jet en condition supercritique lorsque le nombre de Lewis est différent de 1 pour des écoulements à haute pression ? 4.5.2.2 Mise en œuvre Pour étudier les effets du nombre de Lewis sur le couplage de la variable de mélange avec les grandeurs thermo-physiques, nous utilisons à nouveau les résultats issus du code de simulation numérique directe Asphodèle. À partir d’un champ d’une grandeur, par exemple la densité, nous connaissons en chaque point du domaine la valeur de cette grandeur et ce, pour différents instants de la simulation. Nous avons également accès à la valeur des fractions massiques d’hydrogène et d’oxygène en ces m^emes points. Or, lorsque l’écoulement étudié ne contient que deux espèces différentes, la fraction de mélange Z correspond à la fraction massique d’un des deux constituants ; dans notre cas Z est égal à la fraction massique d’hydrogène YH2 . Nous allons ainsi extraire des champs de la DNS, la valeur de la densité qui est tracée en fonction de la fraction de mélange au m^eme point, pour les différentes configurations utilisées pour tester l’impact des coefficients de transport sur l’écoulement et à différents instants. Les différentes configurations sont résumées dans le tableau 4.9. Les variables présentées sont la densité (figure ??), la température (figure ??), l’enthalpie (figure ??), la viscosité (figure ??), la conductivité thermique (figure ??) et le coefficient de diffusion du H2 dans le mélange (figure ??). Les variables ont été extraites à t∗ = 0, 10, 20 et 30 et pour un maximum de visibilité, toutes les valeurs de chacune des grandeurs n’ont pas été tracées sur les figures. Nous avons effectué des coupes transverses au jet avec un intervalle de 50 points entre chaque coupe. 4.5.2.3 Résultats À partir de ces figures, on remarque à nouveau que l’écoulement est fortement dépendant des modèles utilisés pour calculer les coefficients de transport. La dispersion des points est différente pour toutes les configurations mais on retrouve de grandes similitudes lorsque le coefficient de diffusion des espèces est calculé avec le m^eme modèle, comme on peut le voir dans les simulations Sref , S2 , S3 et S5 . De plus, il est possible d’observer qu’il y a plus de ressemblance entre les images dont les coefficients de diffusion des espèces sont calculés avec le modèle des gaz parfaits (simulations S1 et S4 ) et avec le polyn^ome de Bellan et al (simulations S6 et S7 ) que lorsque les coefficients de diffusion des espèces sont calculés avec les modèles gaz réels. Nous confirmons ainsi les premières conclusions que nous avons tirées lors de l’analyse des effets des coefficients de transport sur la dynamique de l’écoulement (cf. partie 4.3). Enfin, on s’aperçoit qu’à t∗ = 30, presque toutes les grandeurs sont plus ou moins centrées autour de la relation initiale quelque soit la simulation. C’est tout de m^eme moins flagrant pour la température et l’enthalpie dont la dispersion des points s’étale sur une large gamme de température mais sur un faible intervalle de fractions de mélange. Cela montre bien que l’homogénéisation est plus efficace pour la concentration que pour la température et qu’elle peut ^etre directement liée au effets du nombre de Lewis. De plus, on remarque sur les images 70 10000 60 8000 500 30 4000 T (K) 40 2000 400 0 20 300 −2000 10 0 0.2 0.4 0.6 Z (−) 0.8 −4000 0 1 Densité 0.5 Z (−) 200 0 1 0.8 1 Température x 10 0.2 10 3 1 (m2/s) 0.1 0.5 0.2 0.4 0.6 Z (−) Viscosité 0.8 1 8 m 1.5 0.15 0.05 0 6 2 2 DH λ (W/(m.K)) 2.5 µ (Pa.s) 0.4 0.6 Z (−) −6 x 10 0 0 0.2 Enthalpie −5 3.5 153 600 6000 50 h (J/mol) ρ (kg/m3) 4.5 Études préliminaires portant sur la validation des approches LES et RANS 4 2 0.5 Z (−) Conductivité thermique 1 0 0.5 Z (−) 1 Coefficient de diffusion du H2 dans le mélange F IG . 4.28 – Évolution des différentes grandeurs thermo-physiques en fonction de la fraction de mélange, extraite de la simulation de référence aux instants t∗ = 0 (ligne rouge), t∗ = 10 (croix bleues), t∗ = 20 (losanges noirs) et t∗ = 30 (plus vert). de la figure ??, qu’à t∗ = 10, lorsque la fraction de mélange est supérieure à 0.5, la température est constante et égale à la température initiale de l’hydrogène. Ceci est du à la diffusion des molécules d’oxygène dans les zones de faibles températures qui se trouvent à l’extérieur du jet. Toujours sur ces images de température mais à t∗ = 20, la fraction de mélange ne varie plus qu’entre environ 0.1 et 0.5, soit moins de la moitié de l’intervalle initial, tandis que la température varie entre 225 K et approximativement 525 K soit encore 90 % de l’intervalle initial de température. Cette remarque est encore valable à t∗ = 30 où la différence entre les températures maximale et minimale est toujours aussi importante alors que Z est presque égale à 0.3 partout dans le domaine. 4.5.2.4 Étude de la méthode de variable de mélange à haute pression Pour s’intéresser aux conséquences des effets de Lewis sur le modèle de la variable de mélange, nous allons nous intéresser à chaque grandeur individuellement en commençant par la densité. Dans ce modèle, les grandeurs thermo-physiques sont découplées de la simulation hormis la viscosité et les coefficients de diffusion des espèces utilisés respectivement dans l’équa- 154 Simulation de la déstabilisation d’un jet en condition supercritique tion des moments et dans l’équation de transport de Z. Sur les images présentant l’évolution de la densité, on observe assez peu de différences entre les modèles utilisés qui tiennent compte de la pression. Bien que pour certains modèles la dispersion au cours du temps soit plus importante, à t∗ = 30, l’ensemble des points est centré autour de la relation initiale. À cet instant, les valeurs maximales et minimales de la densité sont presque toutes identiques pour tous les modèles (entre 16 et 34 kg/m3 ) . Pour ce qui est de la forme particulière de la répartition des points à t∗ = 10 qui diffère de celle des autres grandeurs avec cette forme en cloche, elle est liée à la présence du pic de densité sur les bords du jet. En effet, la fraction massique d’oxygène est la plus élevée au centre du jet et donc lorsque la fraction de mélange est la plus faible. Ensuite, lorsque Z augmente, la densité augmente également (pic de densité) à cause des températures plus froides que dans l’O2 pur, avant de décroitre lorsqu’on s’éloigne du centre du jet. Pour l’enthalpie (figure ??) et la température (figure ??), on remarque que, contrairement à la densité, à t∗ = 30, il n’y a pas de nuage de points centré autour de la relation initiale mais plut^ot une ligne axée sur la valeur de Z ≈ 0.3 qui est due aux effets du nombre de Lewis. Nous avons vu précédemment que le nombre de Lewis varie beaucoup en fonction de la concentration de H2 (figure 4.17). Dans la zone de l’hydrogène et donc lorsque Z est proche de 1, le nombre de Lewis est supérieur à 1 ce qui veut dire que les transferts thermiques se produisent plus vite que les transferts de masse (O2 et H2 donc Z). Les graphes ?? et ?? illustrent ces phénomènes puisque pour Z proche de 1, l’ homogénéisation de h et de T est presque complète dès le début du calcul. Inversement dans la zone de l’oxygène (Z proche de 0), le nombre de Lewis est inférieur à 1 ; en conséquence, les transferts thermiques sont moins efficaces que les transferts de masse. Ainsi, l’amplitude de variation de h et T reste très grande alors que la variation des concentrations (et donc de Z) se réduit par le mélange. On observe par exemple, que très vite dans le calcul, il n’y a plus de point ayant une forte concentration de O2 (et donc des valeurs de Z proche de 0). Les deux phénomènes couplés (Le < 1 avec Z = 0 et Le > 1 avec Z = 1) modifient profondément la relation initiale entre h et Z. Il est clair que ce phénomène ne peut ^etre représenté avec un modèle à variable de mélange. Les erreurs sur la température provoquent d’autres erreurs pour ρ mais aussi pour les coefficients de transport que nous allons étudier par la suite. Nous étudions ensuite l’impact de la fraction de mélange sur les coefficients de transport en commençant par la viscosité. Dans le modèle de variable de mélange, la viscosité est utilisée dans l’équation du moment. Le comportement de la viscosité (figure ??) est semblable à la densité. Les valeurs de la viscosité, en fonction de la fraction de mélange, s’éloignent assez peu de la relation qui lie la viscosité à la fraction de mélange. C’est d’ailleurs la grandeur qui reste la plus proche de la relation initiale. Pour la conductivité thermique (figure ??), on observe des différences beaucoup plus im- 4.5 Études préliminaires portant sur la validation des approches LES et RANS 155 portantes entre la relation initiale et l’évolution temporelle de λ. De plus, exceptée avec le polyn^ome de Bellan et al, l’évolution temporelle de la répartition des points n’a plus rien de semblable avec la relation initiale. C’est également à partir du polyn^ome de Bellan et al que la relation entre la fraction de mélange et la conductivité thermique est la mieux respectée. Mais contrairement à la viscosité, la conductivité thermique n’est pas utilisée dans les équations de transport et l’erreur générée sur la détermination de λ n’impacte pas les autres grandeurs. Enfin, nous terminons par l’évolution temporelle du coefficient de diffusion avec la fraction de mélange figure ??. Il est important que ce coefficient de transport soit correctement modélisé car il est utilisé dans l’équation de transport de Z qui est à la base de la détermination des autres grandeurs. En effet, si le coefficient de diffusion n’est pas modélisé avec assez de précision ce sont toutes les autres grandeurs thermo-physiques qui s’en trouveront impactées. Or, d’après ce qu’il est possible d’observer sur les images de la figure ??, il apparait une grande dispersion des valeurs de DH2 m en fonction de Z et ce quelque soit le modèle utilisé. Seuls les coefficients de diffusion calculés avec les polyn^omes de Bellan et al (Simulation S6 ) restent proches de la relation initiale. Comme prévu, les écoulements étudiés ici sont dominés par les effets de Lewis. Ceux-ci ne peuvent pas ^etre pris en compte avec un modèle de variable de mélange classique. L’utilisation d’un modèle avec deux variables de mélange, une pour calculer la température et l’autre pour la concentration. Les erreurs les plus importantes sont obtenues pour les variables qui dépendent fortement de la température. Il faut aussi remarquer que les erreurs sur la densité, la viscosité et le coefficient de diffusion vont entrainer un mauvais calcul des équations du mouvement et de Z ce qui va ajouter des erreurs supplémentaires. Cependant, on voit aussi que la conservation de la masse et de l’énergie (nous sommes dans un cas de mélange adiabatique) permet de retrouver correctement l’état final. Les erreurs sont donc commises sur la façon d’arriver à cet état final. Ainsi, si l’approche ne considère pas le détail du mélange à petite échelle l’erreur devient moindre. C’est le cas avec l’approche RANS et cela se traduit dans les équations par des termes additionnels (νT , λT et DT ) dus à la turbulence. En LES, cela correspond à νSGS , λSGS et DSGS . Quand ces termes dominent, le modèle de variable de mélange peut ^etre appliqué, mais cela devient plus problématique quand on s’approche des conditions de DNS, étudiées ici. De toute façon, pour la combustion, le mélange à petite échelle reste important. 156 Simulation de la déstabilisation d’un jet en condition supercritique Conclusion et perspectives Conclusion La thématique du sujet de thèse était la modélisation des milieux supercritiques avec comme application l’injection dans les moteurs de fusée ; l’objectif étant le développement un code de simulation pour l’injection cryogénique. La première étape consistait à réaliser une étude bibliographique sur les simulations numériques appliquées au cas des moteurs cryogéniques. Or, on a vu qu’il existe globalement peu de communication dans le domaine lié à l’injection et au mélange à la sortie des injecteurs de fusée. D’une part, l’élévation des gradients (surtout de densité) liée à l’augmentation de la pression dans le domaine, met à rude épreuve nombre de codes de simulation qui ne parviennent pas à simuler de tels écoulements. D’autre part, les conditions physiques extr^emes qui règnent au sein de la chambre de combustion réduisent considérablement les expériences en laboratoire pour des raisons de sécurité. C’est pourquoi les agences spatiales, en charge du développement et de la fabrication des moteurs, privilégient les études numériques. Une étude menée par la NASA [95] a permis de comparer des simulations issus de cinq codes de calculs différents (RANS et LES). La confrontation des résultats fait apparaitre de nombreuses divergences, aussi bien sur les champs instantanés que moyennés et pour toutes les grandeurs. Notre choix s’est alors orienté sur le dernier formalisme de résolution des équations de transport : la simulation numérique directe (DNS). Par contre, ce formalisme a été peu utilisé dans le cadre de simulation supercritique et seuls Bellan et al [3] ont opté pour cette méthode avec un solveur compressible et une simulation à nombre de Mach élevé. Dans ce travail, notre choix s’est porté sur une formulation originale, basée sur les équations à faible nombre de Mach qui permettent une résolution plus rapide lorsque les vitesses considérées ne dépassent pas 20% de la vitesse du son. Afin de réaliser une simulation numérique directe supercritique, c’est à dire dans des milieux où la pression ambiante est élevée (100 fois la pression atmosphérique), nous avons dans un premier temps, étudié le comportement des grandeurs thermodynamiques (densité, enthalpie, etc) et l’impact des coefficients de transport. Ainsi, la deuxième partie de cette thèse présente en détail les lois thermodynamiques appliquées aux conditions supercritiques et leur modélisation. Pour remplacer l’équation d’état des gaz parfaits, qui n’est plus valable lorsque le coefficient de compressibilité devient inférieur à 1, les équations cubiques semblent ^etre plus adaptées pour 158 Conclusion et perspectives leur rapidité de calcul. Parmi cette famille d’équations d’état, l’équation de Peng-Robinson [69] donne des résultats proches des données de référence extraites du NIST [63]. Les autres grandeurs thermodynamiques étant affectées par l’augmentation de la pression, des lois thermodynamiques des gaz réels ont été modélisées afin de calculer l’enthalpie ou les capacités thermiques. L’augmentation de la pression modifie également les coefficients de transport et, parmi les différents modèles existant, les méthodes de Chung et al [20], de Ely et Hanley [31] et Fuller et al [33] associée à la corrélation de Takahashi [89] pour les milieux à pression élevée ont été introduites dans le code de simulation pour calculer, respectivement, la viscosité, la conductivité thermique et le coefficient de diffusion binaire. Les polyn^omes développés par Bellan et al [3], qui permettent de déterminer la conductivité thermique et les coefficients de diffusion des espèces, ont également été utilisés. Toutes ces grandeurs thermo-physiques ont également été testées et comparées à des données extraites du NIST [63] et l’utilisation de règles de mélange appropriées permet de décrire le mélange entre les deux réactifs. Elles ont également permis de déterminer le diagramme d’équilibre liquide-vapeur du mélange O2 /H2 afin de connaitre les valeurs caractéristiques du mélange tel le point critique du mélange à une pression donnée. Tous ces modèles physiques ont été introduits dans le code de simulation Asphodèle ; sa structure modulaire ayant facilité cette tache. C’est un code de simulation numérique directe, dilatable qui utilise un maillage structuré. Les dérivées spatiales sont déterminées avec une méthode PADE d’ordre 6 qui est très précise. Les équations de transport résolues sont les équations de la mécanique des fluides à bas nombre de Mach [74]. Pour avoir une meilleure conservation de la masse, une vitesse de correction est généralement introduite dans l’équation de transport des espèces (Uc ) [74]. Or, en étudiant des problèmes de stabilité, on s’est aperçu que cette vitesse de correction devait ^etre également introduite dans l’équation de transport de l’énergie. On a également présenté dans la section décrivant le code, les algorithmes qui permettent de déterminer les champs de température, de pression et de densité pour des simulations d’écoulement à faible nombre de Mach, avec comme objectif principal, la réduction des temps de calcul tout en conservant le maximum de précision. Enfin, nous avons présenté la configuration introduite dans le code qui se rapproche des injecteurs coaxiaux utilisés dans le moteur Vulcain : un jet d’oxygène entouré d’hydrogène, une pression ambiante fixée à 100 bar et des vitesses des fluides fixées à 100 m/s et 20 m/s pour l’hydrogène et l’oxygène respectivement. Seules les températures sont éloignées des conditions réelles sinon elles imposent la présence d’une interface dans le domaine de calcul et d’un rapport de densité trop élevé. Avec toutes les modifications apportées au code de simulation Asphodèle, nous avons réalisé, à notre connaissance, les premières simulations DNS d’écoulement à faible nombre de Mach en condition supercritique. Après avoir, dans un premier temps, validé l’introduction des modèles physiques qui permettent de tenir compte des effets de gaz réels. Les résultats ont montré que les modèles physiques liés aux grandeurs thermodynamiques des gaz réels (densité, enthalpie, capacités thermiques) et les méthodes numériques se comportent parfaitement tandis Conclusion et perspectives 159 que des différences non négligeables apparaissent en fonction des modèles utilisés pour le calcul des coefficients de transport. Nous avons alors testé les différents modèles concernés et on a pu remarquer que l’écoulement étaient dominé par la modélisation du coefficient de diffusion des espèces : nous avons évalué trois modèles différents et dans les trois cas, les simulations donnent des résultats disparates pour chaque coefficient. Or, le coefficient de diffusion binaire DO2 H2 est une grandeur peu connue à pression élevée ce qui ne permet pas de confronter les modèles à des données expérimentales. L’objectif étant de se rapprocher des simulations de Bellan et al [3], nous avons ensuite fait varier les températures d’injection afin d’augmenter le rapport des densités entre le fluide dense et le fluide léger. Alors, en adaptant sur la résolution, nous avons réalisé des simulations d’écoulement dont le rapport des densités était supérieur à 10, valeur considérée comme étant une limite pour les écoulements à faible nombre de Mach. Pour cette simulation, la température de l’oxygène était de 300 K et dans ces conditions, son coefficient de compressibilité était égal à 0.92, ce qui reste proche de 1. Pour tester la sensibilité du code aux effets de gaz réels, nous avons simulé le mélange entre l’oxygène et l’azote car il est alors possible de diminuer la température dans le domaine de telle sorte que Z soit très inférieur à 1 (Z ' 0.6 au minimum) tout en ayant un rapport de densité assez faible. On remarque d’une part que la simulation d’écoulement ayant des coefficients de compressibilité faibles ne posait pas de problème particulier à la formulation bas nombre de Mach. De plus, on a également constaté que la variation du rapport des facteurs de compressibilité RZ influençait la dynamique de l’écoulement uniquement en faisant varier le nombre de Reynolds. À l’inverse du rapport des densités, plus RZ diminue et plus le nombre de Reynolds augmente. En étudiant le mélange de l’oxygène et de l’hydrogène, nous avons détecté un phénomène particulier apparaissant dans la zone de mélange : une augmentation locale de la densité. Cet effet semble directement lié aux valeurs locales du nombre de Lewis et plus le nombre de Lewis du gaz léger est faible et plus les pics de densité apparaissent rapidement. Nous avons ensuite regardé le comportement du nombre de Lewis en fonction des différentes grandeurs physiques. Les variations de pression et température n’ont que très peu d’effet mais la distribution de la température est importante. Il est nécessaire que la température du fluide ayant la densité la plus élevée soit supérieure à celle du fluide le plus léger pour qu’il y ait des effets de Lewis. Enfin, on a également pu remarquer que les espèces composant le mélange modifient la valeur du nombre de Lewis et donc la dynamique de l’écoulement. Les résultats obtenus avec le code de simulation numérique directe Asphodèle, nous ont servi afin de regarder la contribution de certains modèles utilisés dans des codes de simulations présentés au chapitre 1 comme l’introduction des grandeurs filtrées, issues d’une simulation LES, dans l’équation d’état sans ajouter de terme de sous-maille. En effet, la DNS permet de connaitre à un instant quelconque toutes les grandeurs physiques sans quelles aient été filtrées. Ainsi, connaissant la densité, la température et la concentration, nous avons filtré a priori ces 160 Conclusion et perspectives grandeurs et comparé la densité filtrée à la densité déterminée par l’équation d’état à partir de la concentration et de la température filtrée. On a alors montré que pour le cas O2 /H2 , l’écart entre la densité filtrée et la densité issue du modèle ne dépasse pas 6 %. Dans ces conditions, les effets de gaz réels étant presque nuls, nous avons à nouveau réalisé cette étude avec les résultats extraits des simulations O2 /N2 qui présentent des coefficients de compressibilité plus faibles. Dans ce cas l’erreur avoisine au maximum les 10 %. L’utilisation d’un terme de sous-maille ne semble donc pas nécessaire dans les conditions de calcul présentées ici d’autant plus que la valeur déduite de l’équation d’état est globalement sous-estimée. Les erreurs induites par la non utilisation de termes de sous-maille pour l’équation d’état sont à mettre au regard d’autres approximations liées à la formulation LES. Par contre, il pourrait y avoir un effet cumulatif sur le champ de pression (ou de densité) ce qui aurait un impact sur la dynamique de l’écoulement. Un autre modèle utilisé dans les simulations supercritiques a été comparé aux résultats issus de la DNS. Il s’agit du modèle de variable de mélange associé à des fonctions densité de probabilité. Ainsi, on a tracé en fonction de la fraction de mélange Z, les grandeurs thermo-physiques extraites de la DNS. L’hypothèse de base, qui permet de ne transporter qu’une variable dans leur code RANS, est que le nombre de Lewis doit ^etre proche de 1 ce qui n’est pas le cas ; les conséquences sur la simulation RANS sont plus ou moins importantes. La viscosité et dans une moindre mesure la densité, semblent peu affectées par la valeur du nombre de Lewis et, à la fin de la simulation, ces deux grandeurs retrouvent la relation initiale qui les lie à Z. Pour le coefficient de diffusion des espèces, il en est autrement. En effet, des écarts très importants apparaissent dès le début et jusqu’à la fin de la simulation. Or, ces trois grandeurs sont utilisées dans l’équation de transport de la fraction de mélange ce qui peut affecter les résultats si elles ne sont pas calculées correctement. Pour les autres grandeurs, comme la température, l’impact sur la simulation est nul car elles ne sont pas utilisées dans les équations de transport. Elles sont cependant calculées à partir de Z et des erreurs commises sur la température peuvent entrainer des erreurs sur les flux thermiques à la paroi, les taux de combustion, etc. Pour remédier à ce problème, il a été proposé d’utiliser non pas une seule variable de mélange mais d’en introduire une deuxième. Ainsi, la première décrirait le mélange des espèces tandis que la seconde serait liée aux transferts thermiques et permettraient de déterminer avec plus de précision les grandeurs qui dépendant fortement de la température. À partir de toutes ces informations, issues de l’observation et de la compréhension de la dynamique des écoulements et du mélange à haute pression, nous avons pu identifier un certain nombre d’effets principalement lié aux conditions initiales. Ces effets sont dus : – aux coefficients de transport, – au nombre de Reynolds. – au nombre de Lewis, Conclusion et perspectives 161 – au rapport de densité (Rρ ), – au rapport des coefficients de compressibilité (RZ ), – aux coefficients de compressibilité (Z) On a également remarqué que leurs impacts sur la simulation n’étaient pas tous du m^eme ordre. On a d’abord constaté que les effets liés aux variations des grandeurs thermodynamiques sont assez faibles dans le cas de simulation à faible nombre de Mach. Parmi ces effets, on a montré que les coefficients de compressibilité, et donc les effets de gaz réels, n’affectaient pas l’écoulement mais uniquement la valeur des grandeurs thermodynamiques (densité, enthalpie, etc). Il est donc utile d’utiliser les modèles des gaz réels pour déterminer les grandeurs thermodynamiques pour ne pas avoir d’erreurs importantes. Par contre, on a montré que la variation des paramètres Rρ et RZ influencent l’écoulement car ils faisaient varier la valeur du nombre de Reynolds et c’est de la valeur de ce nombre adimensionnel que dépend la physionomie de l’écoulement. Le nombre de Lewis a également une influence sur l’écoulement et plus particulièrement avec l’augmentation de la densité et donc de la tenue dans le temps des gradients, lorsque les conditions initiales le permettent. Enfin, l’effet le plus important de tous est le r^ole des coefficients de transport et en particulier, du coefficient de diffusion binaire. On a montré que l’écoulement dépend fortement du modèle choisi et non des conditions initiales et on a constaté que, en fonction du modèle, la valeur des coefficients de diffusion des espèces modifient grandement la structure de l’écoulement. Ainsi, sans confrontation des différents modèles à des données expérimentales, il subsistera un doute sur le choix des modèles de diffusion dans les simulations supercritiques que ce soit des simulations RANS, LES ou DNS. Finalement, il serait intéressant de comparer les simulations du projet Constellation [95] de la NASA, en utilisant le m^eme modèle pour calculer le coefficient de diffusion binaire. Perspectives Les études qui ont été menées à partir des résultats issus du code de simulation Asphodèle sont à développer car la taille du domaine simulé et le nombre de Reynolds du code utilisé sont trop faibles pour que nos interprétations des résultats soient validées pour des configurations plus complexes. En effet, il aurait fallu simuler des structures tourbillonnaires de taille plus importante. C’est pourquoi, la parallélisation qui était en cours avant la fin de cette thèse et qui est maintenant terminée, permettrait de réaliser ces deux objectifs. Il y aurait ainsi une turbulence plus proche des conditions expérimentales qui permettrait de mener des études plus précises sur les modèles de sous-maille en application avec la LES et affiner l’étude sur l’impact des grandeurs filtrées sur l’équations d’état. Il serait également intéressant de vérifier si la méthode utilisée pour déterminer la température à partir de l’enthalpie et de la composition (méthode 162 Conclusion et perspectives des variations) nécessite l’utilisation d’un terme de sous-maille lorsque ce modèle est utilisé avec des variables filtrées. Plus généralement, il faudrait vérifier tous les modèles physiques utilisés sans terme de sous-maille dans les code LES, pour calculer les coefficients de transport, l’enthalpie, les capacités thermiques etc. De m^eme, des études a priori permettraient d’évaluer l’ordre de grandeur et la contribution sous-maille des termes non fermés des équations de transport pour des configurations à pression élevée. L’étude sur les effets de Lewis mériterait également d’^etre développée. On a montré que l’apparition des pics de densité variait en fonction du nombre de Lewis de l’hydrogène. Peut ^etre qu’à une condition initiale donnée, la valeur de la densité des pics arriverait a ^etre supérieure à la valeur de la densité initiale du fluide lourd. Il serait également intéressant de regarder l’effet du gradient et du rapport de densité sur l’instant d’apparition des pics, leur amplitude. Les effets liés aux réactifs utilisés ont simplement été présentés. Une configuration dans laquelle la température du O2 serait supérieure à celle du N2 , permettrait de voir apparaitre des effets de Lewis d’autant plus que le nombre de Lewis serait inférieur à 1 partout dans le domaine. La dernière étude décrivait l’impact des effets du nombre de Lewis sur les résultats lorsque le modèle de la variable de mélange, basé sur l’hypothèse d’un nombre de Lewis unitaire, est utilisé. Or, on a constaté que cette hypothèse était fausse. En conséquence, les transferts de masse et de température ne s’effectuant pas avec la m^eme intensité, il serait nécessaire, pour décrire au mieux les variables qui dépendent fortement de la température, d’utiliser une seconde variable de mélange, transportée par une autre équation de transport. Enfin, on pourrait réaliser une simulation numérique directe dans laquelle on remplacerait l’équation d’état par une fonction de ρ dépendant uniquement de la fraction de mélange Z permettrait de valiser cette formulation. De m^eme, la viscosité et la conductivité thermique, qui ont peu d’influence sur la simulation, pourraient aussi ^etre calculées de cette manière. Le gain en temps de calcul permettrait d’augmenter la taille du domaine ou la valeur du nombre de Reynolds du code afin de réaliser une simulation plus réaliste. L’injection dans les milieux à pression élevée d’écoulement à faible nombre de Mach est amenée à se développer dans le futur et notamment dans le domaine des moteurs automobiles. En effet, l’injection de l’oxydant et de carburant s’effectue à faible nombre de Mach. De plus, la pression dans le cylindre augmentant de plus en plus, pour permettre de diminuer la consommation de carburant ainsi que les rejets de polluant, la pression critique de l’oxydant et du carburant va bient^ot (si ce n’est déjà le cas) ^etre dépassé. Les derniers moteurs diesel à injection par rampe commune, fonctionnent avec une pression de 60 bar alors que la pression critique du N-heptane est d’environ 30 bar et 50 bar pour l’oxygène. D’ailleurs, Bellan et al ont déjà étudié la vaporisation de gouttes de N-heptane dans de l’azote à haute pression [4] ainsi que des couches de mélange temporelle de N-heptane/azote en condition supercritique [7]. Annexe A Quelques définitions de thermodynamique Il semble utile dans cette annexe de rappeler quelques définitions de thermodynamique qui permettent notamment d’introduire la notion de changement de phase, plus particulièrement le changement de phase liquide-gaz (vaporisation ou évaporation). Pour d’avantage de détails, le lecteur peut se rapporter aux livres d’Hirschfelder [40] et de Bruhat pour une version française [14]. A.1 Équilibre thermodynamique Un système est à l’équilibre thermodynamique s’il n’évolue pas dans le temps et s’il n’est l’objet d’aucun échange avec l’extérieur (s’il est isolé et fermé). A.2 Fonctions d’état Une fonction d’état est une grandeur qui ne dépend que de l’état d’un système. Sa variation au cours d’une transformation du système thermodynamique ne dépend que de l’état final et de l’état initial d’équilibre et non de la nature de la transformation et du chemin suivi. A.3 Énergie interne L’énergie interne d’un système représente, à l’échelle microscopique, la somme de toutes les formes d’énergie, cinétique et potentielle, attachées aux molécules (ou aux atomes) du système comme l’énergie cinétique de translation, de rotation, de vibration ainsi que les énergies potentielles (interaction moléculaire ou atomique) et bien d’autres. Étant donné la complexité des interactions au niveau microscopique, l’énergie interne U n’est pas calculable et seule sa variation peut ^etre déterminée. De plus, l’énergie interne est une fonction d’état définie telle 164 Quelques définitions de thermodynamique que : U = Q+W (A.1) La forme différentielle s’obtient facilement : dU = δQ + δW = δQ − P dV A.4 (A.2) (A.3) Enthalpie L’enthalpie est aussi une fonction d’état dont la variation permet d’exprimer la quantité de chaleur mise en jeu pendant la transformation d’un système lorsque celui-ci reçoit ou fournit un travail mécanique. Dès lors qu’il n’y a pas de changement de phase, la variation d’enthalpie correspond à une variation de température du corps. En revanche, lors d’un changement de phase, la variation d’enthalpie ne décrit plus la variation de température du corps mais le changement de nature de celui-ci. C’est pourquoi un changement de phase s’effectue toujours à température constante si la pression est aussi constante. L’enthalpie est définie par : H = U + PV (A.4) avec U l’énergie interne, d’où la forme différentielle pour la variation d’enthalpie : dH = dU + d (P V ) = dU + P dV + V dP A.5 (A.5) (A.6) Entropie L’entropie S (fonction d’état) caractérise la progression d’un système vers son état d’équilibre. La variation d’entropie lors d’une transformation réversible est définie telle que : dS = A.6 δQ T (A.7) Enthalpie libre L’enthalpie libre G ou énergie de Gibbs (fonction d’état) représente le potentiel thermodynamique d’un système évoluant à température, pression et nombre de moles constants. Elle atteint un minimum quand un tel système est à l’équilibre (potentiel) et est définie, pour un nombre de moles constant, par : G = H − TS (A.8) A.7 Énergie sous forme de chaleur 165 La forme différentielle est définie par l’équation suivante : dG = dH − d (T S) = dH − T dS − SdT (A.9) (A.10) et d’après les équations A.5 et A.7, on obtient finalement : dG = V dP − SdT A.7 (A.11) Énergie sous forme de chaleur Il faut tout d’abord distinguer deux types d’énergie sous forme de chaleur δQ. A.7.1 Chaleur sensible C’est l’énergie sous forme de chaleur apportée (ou retirée) à un corps afin qu’il puisse élever (ou diminuer) sa température et ainsi passer de la température T à T +dT (ou à T -dT ) tel que, pour une mole de corps pur : δQs = Cv dT + l dV δQs = Cp dT + h dP δQs = λ dV + µ dP A.7.2 (A.12) (A.13) (A.14) Chaleur latente de changement de phase La chaleur latente de changement de phase, Ql , est l’énergie qu’il faut apporter à un corps ou libérée par ce dernier pour lui permettre de changer d’état. On déduit son équation d’après les relations A.5 et A.3 : dH = δQl + V dP (A.15) Un changement de phase s’effectuant toujours à pression constante (si la température est également constante), l’équation A.15 devient : dH = δQl (A.16) Ql = H2 (T ) − H1 (T ) (A.17) d’où la relation : La chaleur latente se réduit donc à la variation d’enthalpie du corps lorsqu’il passe de l’état 1 à l’état 2. On note que la température est identique qu’on soit en 1 ou en 2. Voici une première 166 Quelques définitions de thermodynamique équation qui permet de calculer Ql . On peut aussi redémontrer les équations de Clapeyron en utilisant l’enthalpie libre. Lors d’un changement de phase, et si les phases mutuelles sont à l’équilibre, l’enthalpie libre des deux phases en question est identique. Si on s’intéresse, par exemple, à la transition liquide-gaz, cette transition s’effectue à température et pression identique de chaque c^oté de l’interface : Gl (T, P ) = Gv (T, P ) (A.18) dGl = dGv Vl dP − Sl dT = Vg dP − Sg dT (A.19) (A.20) ce qui implique : À partir de l’équation A.20, on obtient : Sg − Sl = (Vg − Vl ) = ∆Sl→g dP dT (A.21) (A.22) D’après la définition de l’entropie (équation A.7), on obtient la forme intégrale : ∆Sl→g = Ql T (A.23) avec ∆S1→2 la variation d’entropie pour passer de l’état d’équilibre 1 vers l’état d’équilibre 2. Finalement, en introduisant A.23 dans A.21 on obtient une équation pour la chaleur latente molaire de vaporisation : Ql = (Vg − Vl ) T dP dT (A.24) qui est une des relations de Clapeyron. Remarque 1 : en utilisant le m^eme raisonnement, il est possible de retrouver les chaleurs latentes de fusion et de sublimation. Remarque 2 : pour une m^eme quantité de matière, le volume occupé par un gaz étant toujours supérieur à celui occupé par un liquide, la valeur de la chaleur latente de vaporisation est donc positive ; il faut apporter de l’énergie pour vaporiser un liquide. Remarque 3 : pour les changements de phase inverses, il suffit d’inverser les indices pour des volumes. Dans ce cas, la valeur de la chaleur latente est de signe opposé. Annexe B Calcul des propriétés physiques B.1 Calcul de la viscosité La méthode de Chung et al pour calculer la viscosité d’un mélange gazeux à pression élevée est une extension de la théorie cinétique des gaz de Chapman et Enskog. L’expression de la viscosité du gaz est la suivante [20] : η = η∗ 36.344 (Mm Tcm )1/2 (B.1) 2/3 Vcm où Tcm est sa température critique en Kelvin, Vcm son volume molaire critique en cm3 .mol−1 . La valeur de η est exprimée en µP a. Enfin, Mm est la masse molaire du mélange en g.mol−1 définie telle que : P P Mm = i j 1/2 2 Xi Xj (ij /k) d2ij Mij 2/3 (/k)m dm (B.2) Xi et Xj sont les fractions molaires en phase gazeuse des espèces i et j, k est la constante de Boltzmann et est le minimum de l’énergie potentielle d’interaction entre deux molécules. Les 168 Calcul des propriétés physiques autres variables sont définies telles que : PP k m ij k = i j Xi Xj (ij /k) d3ij (B.3) dm 1/2 i j = k k (B.4) i Tci ii = = k k 1.2593 XX d3m = Xi Xj d3ij i (B.5) (B.6) j dij = (di dj )1/2 (B.7) dii = di = 0.809 Vc1/3 i (B.8) Mij = 2Mi Mj Mi + Mj (B.9) où Tci est la température critique de l’espèce i, Vci est le volume critique de l’espèce i, di est défini comme le diamètre de la sphère rigide i et Mi est la masse molaire de l’espèce i. Ainsi : Tcm = 1.2593 km 3 dm Vcm = 0.809 (Tm∗ )1/2 1 ∗ F cm + E6 ym + η ∗∗ η = Ωv G2 T Tm∗ = (B.10) (B.11) (B.12) (B.13) k m avec T la température du fluide. ∗ Ωv = 1.16145 (Tm∗ )−0.14874 + 0.52487 e(−0.77320 Tm ) + ∗ 2.16178 e(−2.43787 Tm ) Fcm = 1 − 0.275 ωm + 0.059035 µ4rm + km (B.14) (B.15) B.1 Calcul de la viscosité 169 Pour calculer ωm , µrm et ki , on utilise les équations suivantes : PP Xi Xj ωij d3ij i j ωm = dm ωi + ωj ωij = 2 ωii = ωi µrm = (B.19) (Vcm Tcm )1/2 d3m X X Xi Xj µ2i µ2j i km = XX i (B.17) (B.18) 131.3 µm µm = (B.16) !1/4 d3ij j Xi Xj kij (B.20) (B.21) j kij = (ki kj )1/2 (B.22) kii = ki (B.23) où ωi est le facteur acentrique de Pitzer de l’espèce i, µi est le moment dipolaire de i en debyes et ki le coefficient d’interaction binaire qui correspond à une correction pour les espèces fortement polaires. Il faut encore définir ym et G2 qui apparaissent dans l’équation B.12, tels que : ym = Vcm 6 Vm (B.24) avec Vm le volume spécifique molaire calculé à partir du facteur de compressibilité Z et : 1 − 0.5 ym (1 − ym )3 E1 1 − e−E4 ym /ym + E2 G1 eE5 ym + E3 G1 = E1 E4 + E2 + E3 G1 = (B.25) G2 (B.26) Ei = ai + bi ωm + ci µ4rm + di km (B.27) Les valeurs des paramètres ai ,bi ,ci et di sont regroupées dans le tableau B.1. Enfin l’expression de η ∗∗ est donnée par la relation suivante : ∗ −1 +E (T ∗ )−2 10 m 2 η ∗∗ = E7 ym G2 eE8 +E9 (Tm ) (B.28) 170 Calcul des propriétés physiques i ai 1 6.324 2 1.21 × 10−3 3 5.283 4 6.623 5 19.745 6 -1.900 7 24.275 8 0.7972 9 -0.2382 10 0.06863 bi ci di 50.412 −1.154 × 10−3 254.209 38.096 7.630 -12.537 3.450 1.117 0.06770 0.3479 -51.680 −6.257 × 10−3 -168.48 -8.464 -14.354 4.985 -11.291 0.01235 -0.8163 0.5926 1189.0 0.03728 3898.0 31.42 31.53 -18.15 69.35 -4.117 4.025 -0.727 TAB . B.1 – Coefficients de Chung et al pour calculer Ei de l’équation B.27. B.2 Calcul de la conductivité thermique B.2.1 Méthode de Chung et al La conductivité thermique λ d’un mélange gazeux à haute pression est donnée selon Chung et al par la relation suivante : 1/2 η Ψm T −1 2 λ = 31.2 G2 (B.29) G2 + B6 ym + qm B7 ym 0 Mm Tcm où η est la viscosité du fluide donnée par l’expression : 26.69 Fcm (Mm T )1/2 η = d2m Ωv (B.30) Dans cette expression les paramètres dm ,Fcm ,Mm et Ωv sont calculés à l’aide des relations (B.2),(B.6),(B.14) et (B.15) utilisées pour le calcul de la viscosité. De m^eme Tcm et Vcm sont 0 obtenus gr^ace aux équations (B.10) et (B.11). Mm = Mm × 10−3 et les coefficients G1 et G2 sont donnés par : 1 − 0.5 ym (1 − ym )3 (B1 /ym ) 1 − e−4B4 ym + B2 G1 eB5 ym + B3 G1 = B1 B4 + B2 + B3 G1 = (B.31) G2 (B.32) Les coefficients Bi sont calculés d’après : Bi = ai + bi ωm + ci µ4rm + di km (B.33) B.2 Calcul de la conductivité thermique 171 Les différents coefficients ai ,bi ,ci et di sont rassemblés dans le tableau B.2. Les deux derniers paramètres qm et Ψm sont obtenus avec les relations suivantes : i ai 1 2 3 4 5 6 7 bi 2.4166 0.74824 -0.50924 -1.5094 6.6107 5.6207 14.543 -8.9139 0.79274 0.82019 -5.8634 12.801 91.089 128.11 ci di -0.91858 -49.991 64.760 -5.6379 -0.69369 9.5893 -54.217 121.72 69.983 27.039 74.344 6.3173 65.529 523.81 TAB . B.2 – Coefficients de Chung et al pour le calcul de Bi de l’équation B.33. qm = 0 1/2 −3 (Tcm /Mm ) 3.586.10 2/3 Vcm Φm = 1 + αm 0.215 + 0.28288 αm − 1.061 βm + 0.26665 Zm 0.6366 + βm Zm + 1.061 αm βm (B.34) (B.35) avec : Cvm 2 − R 3 X = Xi C v i αm = C vm (B.36) (B.37) i 2 βm = 0.7862 − 0.7109 ωm + 1.3168 ωm 2 T Zm = 2 + 10.5 Tcm (B.38) (B.39) R est la constante des gaz parfaits et Cvi est la capacité thermique à volume constant de l’espèce considérée. B.2.2 Méthode de Ely et Hanley 0 λm = λ∗∗ m + λm (B.40) 172 Calcul des propriétés physiques avec : λ0m = λ0ii = λ0ij = λ0i = XX i 0 λi Xi Xj λ0ij (B.41) j 2 λ0i λ0j λ0i + λ0j η∗ 1.32 i 0 Mi (B.42) (B.43) 3R C vi − 2 (B.44) où λ0i est la conductivité thermique de chacune des espèces dans un milieu à basse pression. Mi0 , Cvi et R sont respectivement la masse molaire de l’espèce i en kg/mol, la capacité thermique de l’espèce i en J/(mol.K), et la constante des gaz parfaits en J/(mol.K). Le calcul de ηi∗ s’effectue de la manière suivante pour chacune des espèces du mélange : 1. Détermination de la température réduite Tr = T /Tc afin de calculer T + défini par la relation suivante : ( Tr si Tr ≤ 2 T+ = (B.45) 2 si Tr > 2 2. Calcul des facteurs de forme de l’espèce considérée : 0.69852 + Θ = 1 + (ω − 0.011) 0.56553 − 0.86276 ln T − T+ Φ = 1 + (ω − 0.011) 0.38560 − 1.1617 ln T + 0.288 Zc (B.46) (B.47) Les valeurs 0.011 et 0.288 correspondent au facteur acentrique et au facteur de compressibilité critique du fluide de référence qu’est le méthane. 3. Calcul des paramètres de taille pour la température et le volume à partir des facteurs de forme : f = Tc Θ 190.4 (B.48) h = Vc Φ 99.2 (B.49) avec 190.4 qui est la température critique du méthane en K et 99.2 le volume critique en cm3 /mol B.2 Calcul de la conductivité thermique 173 4. Détermination de la température équivalente T0 afin d’estimer la viscosité et conductivité du méthane à basse pression et à la température T0 : T0 = T f η0 = 10 (B.50) −7 9 X (n−4)/3 Cn T0 (B.51) n=1 λ0 = 1944 η0 (B.52) Les coefficients Cn sont : C1 = 2907740 C4 =−433190 C7 = 432.517 C2 =−3312870 C5 = 70624.8 C8 =−14.4591 C3 = 1608100 C6 =−7116.62 C9 = 0.203712 5. L’expression de η ∗ est donnée par la relation suivante : M0 16.04.10−3 1/2 1/2 16.04.10−3 f H = 0 M h2/3 η ∗ = η0 H (B.53) (B.54) Le calcul du second terme λ∗∗ m s’effectue en appliquant la procédure suivante : 1. Détermination des paramètres Ti+ et Vi+ pour chaque espèce à partir des variables réduites : Ti+ Vi+ ( Tri si = 2 si Vri si = 0.5 si 2 si Tri ≤ 2 Tri > 2 (B.55) 0.5 < Vri < 2 Vri ≤ 2 Vri ≥ 2 (B.56) 174 Calcul des propriétés physiques 2. Calcul de Φi et Θi : Θi = 1 + (ωi − 0.011) × 0.46568 + + (Vi − 0.5) 0.09057 − 0.86276 ln Ti + 0.31664 − Ti+ Φi (B.57) + + + = 1 + (ωi − 0.011) 0.39490 Vi − 1.02355 − 0.93281 Vi − 0.75464 ln Ti × 0.288 Zci (B.58) 3. Calcul des paramètres hi et fi à partir des équations B.49 et B.48 auxquelles on applique les règles de mélange suivantes : hm = XX i Xi Xj hij (B.59) j hii = hi hij = fm = (B.60) i3 1h (hi )1/3 + (hj )1/3 8 PP Xi Xj fij hij i (B.61) j (B.62) hm fii = fi (B.63) fij = (fi fj )1/2 (B.64) On peut ainsi déterminer la masse molaire du mélange définie par la relation : " 0 = Mm XX i #−2 −1/2 Xi Xj Mij −4/3 hij fm h−8/3 m (B.65) j Mii0 = Mi0 Mij0 = 1/2 fij 2 Mi0 Mj0 Mi0 + Mj0 (B.66) (B.67) B.2 Calcul de la conductivité thermique 175 4. Calcul de T0 et ρ0 , les température et masse volumique équivalentes : T0 = T fm (B.68) ρ0 = 16.04 hm V (B.69) avec T et V respectivement la température (K) et le volume molaire (cm3 /mol) du mélange. 5. Avec l’équation B.51 on détermine la valeur de η0 . 6. La première composante de λ∗∗ se calcule a partir de l’équation B.52 : λ(1) = 1944 η0 7. La seconde composante est calculée à partir de l’expression suivante : 2 T0 ρ0 λ(2) = b1 + b2 b3 + ln b4 (B.70) (B.71) avec les bn définis ci-dessous : b1 b2 b3 b4 = = = = −2.5276.10−4 3.3433.10−4 1.12 1.680.102 8. La troisième composante est donnée par l’expression suivante : ! a2 a4 λ(3) = exp a1 + exp a3 + 3/2 ρ0.1 0 + T0 T0 ρ a6 a7 0 1/2 − 1 ρ0 a5 + + 2 − 1.0 × 10−3 0.1617 T0 T0 où les constantes an sont : a1 a2 a3 a4 a5 a6 a7 = = = = = = = −7.19771 85.67882 12.47183 −984.6252 0.3594685 69.79841 −872.8833 (B.72) 176 Calcul des propriétés physiques 9. On obtient finalement la valeur de λ∗∗ m : λ∗∗ m = λ(1) + λ(2) + λ(3) H (B.73) H est défini par l’équation B.54. B.3 Calcul du coefficient de diffusion binaire Le coefficient de diffusion DAB d’un gaz A dans un gaz B est calculé d’après Fuller et al par l’expression [33] : 0.00143 T 1.75 2 1/3 1/3 1/2 P MAB (Σv )A + (Σv )B DAB = (B.74) où DAB est le coefficient de diffusion binaire en cm2 .s−1 , T est la température du gaz en K, P est la pression en bar, (Σv )A et (Σv )B sont les volumes de diffusion des deux molécules. Ces valeurs sont obtenues en sommant la contribution de chaque atome dans la molécule. Quelques valeurs de Σv pour différentes espèces sont données à titre d’exemple dans le tableau B.3. Enfin MAB est donné par la relation B.9. C Σv O 15.9 6.11 H N 2.31 4.54 He H2 2.67 6.12 O2 Air 16.3 19.7 TAB . B.3 – Valeurs du volume de diffusion de certaines molécules [77] Pour les cas où la pression est élevée, on utilise la correction de Takahashi [89] telle que : DAB P = f (Tr , Pr ) (DAB P )+ où l’exposant + (B.75) est utilisé pour les valeurs en basse pression. Pr et Tr sont les valeurs du B.3 Calcul du coefficient de diffusion binaire 177 mélange réduites par les conditions critiques suivantes : T Tc = XA TCA + XB TCB P = Pc = XA PCA + XB PCB Tr = (B.76) Tc (B.77) Pr Pc (B.78) (B.79) La fonction f (Tr , Pr ) est définie telle que : f (Tr , Pr ) = (DPR,l ) × 1 − A Tr−B 1 − C Tr−E (B.80) Les coefficients A,B,C et E, qui dépendent de la pression partielle réduite Pr , sont résumés dans le tableau B.4 Pr (DPR,l ) A B C E 0.1 0.2 0.3 0.4 0.5 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.5 3.0 4.0 5.0 1.01 1.01 1.01 1.01 1.01 1.01 1.01 1.02 1.02 1.02 1.02 1.03 1.03 1.04 1.05 1.06 1.07 0.038042 0.067433 0.098317 0.137610 0.175081 0.216376 0.314051 0.385736 0.514553 0.599184 0.557725 0.593007 0.696001 0.790770 0.502100 0.837452 0.890390 1.52267 2.16794 2.42910 2.77605 2.98256 3.11384 3.50264 3.07773 3.54744 3.61216 3.41882 3.18415 3.37660 3.27984 2.39031 3.23513 3.13001 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.141211 0.278407 0.372683 0.504894 0.678469 0.665702 0.0 0.602907 0.0 0.0 13.45454 14.00000 10.00900 8.57519 10.37483 11.21674 6.19043 - TAB . B.4 – Coefficient de la corrélation de Takahashi pour corriger le coefficient de diffusion des espèces à haute pression [89]. 178 Calcul des propriétés physiques Annexe C Dérivées de l’équation de Peng-Robinson et valeurs critiques croisées C.1 Dérivées de l’équation d’état utilisées pour la thermodynamique des gaz réels X ∂Am = 2 Xj Aij ∂Xi j ∂Am 1 XX = − Xi Xj Aij Gij ∂T T i j ∂ 2 Am ∂Xi ∂T ∂ 2 Am ∂Xi ∂T Gij = − 2X Xj Aij Gij T j Tc 0.457236 R2 X X = Xi Xj Cij ij 2T Pcij i j q Cij TTc ij = q 1 + Cij 1 − TTc ij (C.1) (C.2) (C.3) r Tcij T (C.4) (C.5) 180 C.2 Dérivées de l’équation de Peng-Robinson et valeurs critiques croisées Valeurs critiques croisées Aij = Bi = 0.457236 R Tcij 0.077796 R Tcij Pcij 2 q 2 1 + Cij 1 − TTc ij Pcij Cij = 0.37464 + 1.54226 ωij − 0.26992 ωij2 q Tcii Tcjj (1 − kij ) Tcij = 1 i 1 1h vcij = (vcii ) 3 + vcjj 3 8 1 Zcij = Zcii + Zcjj 2 1 (ωii + ωjj ) ωij = 2 Zci j R Tcij Pcij = vcij (C.6) (C.7) (C.8) (C.9) (C.10) (C.11) (C.12) (C.13) Annexe D Détails de trois méthodes Low Mach D.1 Méthode proposée par Pierce [70] Les équations qui sont utilisées dans cet exemple sont les équations de continuité et du moment afin de simplifier la démonstration. Ces équations sont définies ci-dessous : ∂ ρ ∂ρ Ui + = 0 ∂t ∂xi ∂ρ Ui ∂ρ Ui Uj ∂P 1) 1 ∂ σij + = − + ∂t ∂xi ∂xi Re ∂xi (D.1) (D.2) La densité est déterminée en transportant l’énergie et la composition couplées avec une équation d’état. Une fois la densité déterminée, l’équation du moment est résolue en utilisant une méthode à pas fractionnaire. On utilise alors une méthode à pas de temps décalés telle que : ρn+3/2 − ρn+1/2 ∂ ρ Uin+1 + = 0 (D.3) ∆t ∂xi Note : la dérivée temporelle est une dérivée centrée en n + 1. Pour obtenir la valeur de ρ au pas de temps n + 3/2 on fait un avancement en temps de l’énergie, et des fractions massiques d’un demi pas de temps et on calcule ρ à partir de l’équation d’état. L’étape de prédiction pour la vitesse pour la méthode à pas de temps fractionnaire est donnée par l’équation du moment : n+1/2 n+1/2 ∂ ρ U U ∗ n i j ρU − ρU ∂ σij + = (D.4) ∆t ∂xi ∂xi On détermine la valeur de U ∗ , les autres grandeurs étant connues. 182 Détails de trois méthodes Low Mach Dans un second temps, la vitesse est corrigée par la pression dynamique définie par la relation : ρ U n+1 − ρ U ∗ n+1/2 = −∇P (1) ∆t (D.5) La pression dynamique peut ^etre calculée en appliquant la divergence sur l’équation précédente et en remplaçant le terme ∇ρ Uin+1 de l’équation D.3. Ainsi il reste à résoudre l’équation de Poisson suivante : n+1/2 ∆P (1) = ρn+3/2 − ρn+1/2 1 ∂ρ U ∗ + ∆t2 ∆t ∂xi (D.6) et mettre à jour la vitesse telle que : n+1/2 ρU n+1 U n+1 ∂P (1) = ρ U − ∆t ∂xi ρ U n+1 = ρ n+1 ∗ (D.7) (D.8) On a alors effectué une étape complète de la procédure itérative. On calcule un résidu à partir du terme de gauche de l’équation de conservation de la masse D.1 afin de vérifier si la masse est conservée et on recommence l’algorithme. D.2 Méthode proposée par Nicoud [59] – On résout l’équation de conservation de l’énergie. – On calcule la densité à partir de l’équation d’état. – Pour la détermination du champ de pression, il utilise l’équation du moment : ρn+1 U n+1 − U ∗ U∗ − Un U n+1 − U n = ρn+1 + ρn+1 ∆t ∆t ∆t = β I n+1 − I n + γE n + ζE n−1 − 2 β ∇P n − 2 β ∇ δP n+1 (D.9) (D.10) où I et E représentent les termes spatiaux implicites et explicites à l’exception de la pression P n de l’instant n et de la variation de pression δP n+1 = P n+1 − P n . Les paramètres D.2 Méthode proposée par Nicoud [59] 183 β = 1/2, γ = 3/2 et ζ = −1/2 sont les coefficients du schéma de discrétisation temporelle d’Adams-Brashforth/Crank-Nicolson. Il est décomposé en deux équations. Une première étape pour calculer l’estimation du champ de vitesse : ρn+1 U ∗ − un = β I n+1 − I n + γE n + ζE n−1 − 2 β ∇P n ∆t (D.11) et l’autre pour déterminer le champ de pression : ρn+1 U n+1 − U ∗ = −2 β ∇ δP n+1 ∆t (D.12) L’équation de Poisson est obtenue en divisant chaque membre de l’équation précédente par ρn+1 et en appliquant la divergence sur les deux membres : ∇ 1 ρ ∇δP n+1 n+1 = 1 ∇U ∗ − ∇U n+1 −2β∆t (D.13) Il reste à déterminer la valeur de U n+1 . En considérant que la densité dépend uniquement de la température (et de la pression thermodynamique) l’équation de l’énergie agit alors comme une contrainte sur le champ de vitesse (via l’équation d’état). En combinant les équations de continuité et de l’énergie : ∂ρ ∂ρ Ui + = 0 ∂t ∂xi 1 ∂T ∂T ∂ ∂T + ρ Ui Cp = ρ Cp k ∂t ∂xi Re P r ∂xi ∂xi (D.14) (D.15) ainsi que l’équation d’état des gaz parfaits adimensionnée : P (0) = ρT (D.16) la valeur de cette contrainte est déterminée par l’expression suivante : ∂Ui 1 1 ∂ ∂T ) = k ∂xi P (0) Cp Re Pr ∂xi ∂xi (D.17) si P (0) est constant. On conna^ıt alors toutes les variables à l’instant n + 1, on peut donc calculer ∂Uin+1 . ∂xi 184 Détails de trois méthodes Low Mach D.3 Méthode utilisée par Benteboula [10] I - Prédiction : schéma d’Adams-Brashforth explicite Les solutions prédites à l’instant intermédiaire t∗ = t + ∆t0 sont notées avec l’exposant ∗ . 1. Résolution de l’équation d’évolution de la masse volumique pour obtenir la valeur de ρ∗ et calcul de ∂ρ ∗ ∂t ρ∗ − ρn 1 3 (−Aρ + Dρ )n − (−Aρ + Dρ )n−1 = 0 ∆t 2 2 (D.18) tel que : ∂ρ ∂t ∗ 3ρ∗ − 4ρn + ρn−1 = 2 ∆t0 (D.19) 2. Résolution du champ dynamique par la méthode à pas de temps fractionnaire. La résolution des équations de quantité de mouvement est effectuée en deux étapes : (a) On calcule un champ intermédiaire pour chaque composante de la vitesse avec un schéma d’Adams-Bashforth d’ordre 2 : 3 ρ U∗ − ρ Un = (−Ac + Cc + Dc )n − 0 ∆t 2 1 (−Ac + Cc + Dc )n−1 − 2 ∇P n (D.20) On a ainsi le champ de quantité de mouvement qui est découplé du gradient de pression. (b) Le champ de pression dynamique intermédiaire est déterminé par l’inversion de l’équation de Poisson : ∗ 1 ∂ρ (1)∗ ∗ ∆P = ∇. (ρ U ) + (D.21) 0 ∆t ∂t On met à jour la pression : ∗ ∇P ∗ = ∇P (1) + ∇P n (D.22) Le champ de vitesse à l’instant t∗ est calculé par U∗ = ρ U∗ ρ∗ (D.23) D.3 Méthode utilisée par Benteboula [10] 185 3. Détermination du champ de température par le biais de l’équation d’état : T∗ = 1 ρ∗ (D.24) 4. Et des scalaires en utilisant la relation : 1 ρ Yi∗ − ρ Yin 3 (−AY + DY )n − (−AY + DY )n−1 = 0 ∆t 2 2 (D.25) tel que Yi∗ = ρ Yi∗ ρ∗ (D.26) II - Correction : schéma d’Adams-Moulton Les équations sont intégrées en utilisant les solutions intermédiaires déterminées à l’étape précédente. 1. Résolution de l’équation d’évolution de la masse volumique : 3 1 ρn+1 − ρn = (−Aρ + Dρ )∗ − (−Aρ + Dρ )n−1 0 ∆t 2 2 Ensuite, on calcule la dérivée temporelle de la masse volumique par : ρ n+1 3ρn+1 − 4ρn + ρn−1 = ∂t 2 ∆t0 (D.27) (D.28) 2. Comme précédemment, on résout le champ dynamique par la méthode à pas fractionnaire : (a) Calcul du champ intermédiaire pour chaque composante de la vitesse : ρ U ∗∗ − ρ U n 3 = (−Ac + Cc + Dc )n+1 − 0 ∆t 2 1 (−Ac + Cc + Dc )n − 2 ∇P ∗ (D.29) (b) Détermination du champ de pression dynamique en inversant l’équation de Poisson : ρ n+1 1 (1)n+1 ∗∗ ∇.ρU + (D.30) ∆P = ∆t0 ∂t 186 Détails de trois méthodes Low Mach On met à jour la pression : n+1 ∇P n+1 = ∇P (1) + ∇P n (D.31) et le champ de vitesse tel que : n+1 ρ U n+1 = ρ U ∗∗ − ∆t ∇P (1) U n+1 = ρ U n+1 ρn+1 (D.32) (D.33) 3. Calcul du champ de pression à partir de l’équation d’état des gaz parfaits : T n+1 = 1 ρn+1 (D.34) 4. Et des scalaires en utilisant la relation : ρ Yin+1 − ρ Yi∗ 3 1 = (−AY + DY )∗ − (−AY + DY )n 0 ∆t 2 2 Yin+1 ρ Yin+1 = ρn+1 (D.35) (D.36) Annexe E Adimensionnement des équations de transport On présente dans le tableau suivant les variables utilisées dans les équations de transport. On obtient ainsi pour chaque valeur physique la relation : Valeur physique Valeur de référence Valeur adimensionnée x Ui t ρ e P x0 U0 x0 U0 ρ∞ U02 ρ0 U02 x∗ Ui∗ t∗ ρ∗ e∗ P∗ Valeur physique = Valeur de référence × Valeur adimensionnée E.1 (E.1) Conservation de la masse L’équation de conservation de la masse dimensionnée s’écrit : ∂ρ ∂ρ Ui + = 0 ∂t ∂xi (E.2) peut ^etre directement adimenssionnée sous la forme ∂ρ∗ ∂ρ∗ Ui∗ + = 0 ∂t ∂x∗i (E.3) 188 Adimensionnement des équations de transport E.2 Moments L’équation de transport de la quantité de mouvement s’écrit, sous forme conservative : ∂ ρUi ∂ρ Ui Uj + ∂t ∂xi = − ∂p ∂ σij + ∂xi ∂xj (E.4) Cette équation est facilement adimensionnée tout en portant une attention spéciale au tenseur de cisaillement σij tel que : σij ∂Ui ∂Uj 2 ∂Uk = µ + − µ δij ∂xj ∂xi 3 ∂xk 2 ∗ ∂Uk∗ µ0 U0 ∗ ∂Ui∗ ∂Uj∗ µ + − µ = δij x0 ∂x∗j ∂x∗i 3 ∂x∗k ρ0 U02 ∗ ∂Ui∗ ∂Uj∗ 2 ∗ ∂Uk∗ µ + δij = − µ Re ∂x∗j ∂x∗i 3 ∂x∗k ρ0 U02 ∗ σ = Re ij (E.5) (E.6) (E.7) (E.8) en utilisant le nombre de Reynolds : Re = x0 U0 µ∗ (E.9) Finalement, on obtient l’équation de conservation de la quantité de moment adimensionnée : ∂ρ∗ Ui∗ ∂ρ∗ Ui∗ Uj∗ ∂P ∗ ∂ σij∗ + = − + ∂ t∗ ∂ x∗i ∂ x∗i ∂ x∗j E.3 (E.10) Énergie totale ∂ρ et ∂ (ρ et + P ) Ui ∂ + = ∂t ∂xi ∂xi ∂T ∂ σij Uj k + + ρṖ ∂xi ∂xi Détaillons l’adimensionnement du flux de température : (E.11) E.4 Enthalpie 189 ∂ ∂xi ∂ ∂T U02 ∂T ∗ k = k ∗ ∂xi Cp0 x20 ∂x∗i ∂xi 3 ρ0 U0 ∂ µ0 k ∂T ∗ = x0 ∂x∗i ρ0 U0 x0 µ0 Cp0 ∂x∗i ∗ ρ0 U03 ∂ 1 k ∗ ∗ ∂T = µ Cp x0 ∂x∗i Re µ Cp ∂x∗i ρ0 U03 ∂ 1 1 ∗ ∗ ∂T ∗ = µ Cp x0 ∂x∗i Re Pr ∂x∗i (E.12) (E.13) (E.14) (E.15) L’équation pour l’énergie totale devient : ∂ρ∗ e∗t ∂ (ρ∗ e∗t ) Ui∗ ∂ 1 1 ∗ ∗ ∂T ∗ 1 ∂ σij∗ Uj∗ + µ Cp = + + ρ∗ Ṗ ∗ ∂t∗ ∂x∗i ∂x∗i Re Pr ∂x∗i Re ∂x∗i E.4 (E.16) Enthalpie Nous avons : h = e+ d’où : (E.17) ∗ ∂ρ∗ h∗ ∂ρ∗ Ui∗ h∗ ∂p∗ ∂ 1 1 ∗ ∗ ∂T ∗ 1 ∂ σij∗ Uj∗ ∗ ∂p + = Ui ∗ + ∗ + ∗ µ Cp + ∂t∗ ∂x∗i ∂xi ∂t ∂xi Re Pr ∂x∗i Re ∂x∗i +ρ∗ Ṗ ∗ E.5 p∗ ρ∗ (E.18) Fraction massique De la m^eme façon qu’avec l’équation de l’énergie totale, on trouve l’équation de conservation de la fraction massique de l’espèce i, telle que : ∗ ∂ρ∗ Yi ∂ρ∗ Ui∗ Y ∂ µ ∂Y + = + ρ∗ ω̇ ∗ (E.19) ∂t∗ ∂x∗i ∂x∗i Re Sc ∂x∗i avec ω̇ = ω̇ ∗ t0 190 Adimensionnement des équations de transport Bibliographie [1] Presentation of the rcm3 test case. In Third international workshop rocket combustion modeling. SNECMA, Mars 2006. [2] J. Bardina, J.H. Ferziger, and W.C. Reynolds. Improved subgrid scale models for large eddy simulation. AIAA, 1980. [3] J. Bellan. Theory modeling analysis turbulent supercritical mixing. Combustion Science and Technology, 178 :253–281, 2006. [4] J. Bellan and K.G. Harstad. Evaluation of commonly used assumptions for isolated and cluster heptane drops in nitrogen at all pressure. Combustion and flame, 127 :1861–1879, 2001. [5] J. Bellan and K.G. Harstad. High-pressure binary mass diffusion coefficients for combustion applications. Ind. Eng. Chem. Res, 43 :645–654, 2004. [6] J. Bellan, R.S. Miller, and K.G. Harstad. Efficient high pressure state equations. AIChE J, 43 :1605–1610, 1997. [7] J. Bellan, R.S. Miller, and K.G. Harstad. Direct numerical simulations of supercritical fluid mixing layers applied to heptane-nitrogen. Journal of fluid Mechanics, 436 :1–39, 2001. [8] J. Bellan, N. Okong’o, and K.G. Harstad. Direct numerical simulations of o2/h2 temporal mixing layers under supercritical condition. AIAA Journal, 40 :914–926, 2002. [9] M. Benedict, G. B. Webb, and L. C. Rubin. An empirical equation for thermodynamic properties of light hydrocarbons and their mixtures : I. methane, ethane, propane, and n-butane. Journal of Chemical Physics, 8 :334–345, 1950. [10] S. Benteboula. Résolution des équations de Navier-Stokes à faible nombre de Mach : Application à l’étude de l’anneau de vorticité à masse volumique variable. PhD thesis, Université de Marne-La-Vallée, 2006. [11] R. Borghi. Turbulent combustion modeling. Progress in Energy Combustion Science, 14 :245–292, 1988. [12] L.A. Bromley and C.R. Wilke. Viscosity behavior of gases. Ind. Eng. Chem., 43 :1641, 1951. 192 BIBLIOGRAPHIE [13] G.L. Brown and A. Roshko. On density effects and large structures in turbulent mixing layers. Journal of Fluid Mechanics, 64 :775–816, 1974. [14] G. Bruhat. Thermodynamique. Masson, 1968. [15] M.R. Brulé and K.E. Starling. Thermophysical properties of complex systems : applications of multiproperty analysis. Ind. Eng. Che. Process Design and Develop., 23 :833– 845, 1984. [16] M. Chauvy, B. Delhom, J. Réveillon, and F.-X. Demoulin. Flame/wall interactions : laminar study of unburnt hc formation. Flow Turbulence and Combustion, 84 :369, 2010. [17] B. Chehroudi, D. Talley, and E. Coy. Visual characteristics and initial growth rate of round cryogenic jets at subcritical and supercritical pressures. Physics of Fluids, 14 :850– 861, 2002. [18] J. Chesnel. Simulation aux grandes échelles de l’atomisation, application à l’injection automobile. PhD thesis, Université de Rouen, 2010. [19] A. J. Chorin. Numerical solution of the navier-stokes equations. Mathematics of computation, 22 :745–762, 1968. [20] T.-H. Chung, M. Aijlan, L. L. Lee, and K. E. Starling. Generalized multiparameter correlation for nonpolar and polar fluid transport properties. Ind. Eng. Chem. Res., 27 :671– 679, 1988. [21] A. W. Cook and J. J. Riley. Direct numerical simulation of a turbulent reactive plume on a parallel computer. Journal of computational Physics, 129 :263–283, 1996. [22] E.W. Curtis and P.V. Farrell. A numerical study of high pressuer droplet vaporization. Combustion and Flame, 90 :85–102, 1992. [23] J. Daou. Étude de la vaporisation-combustion des gouttes d’oxygène liquide (LOX) à haute pression. PhD thesis, Université de Provence, 1994. [24] D.E. Dean and L.I. Stiel. The viscosity of nonpolar gas mixtures at moderate and high pressure. AIChe J., 11 :526, 1965. [25] J.-P. Delplanque and W. A. Sirignano. Numerical study of the transient vaporization of an oxygen droplet at sub- and supercritical conditions. International Journal of Heat and Mass Transfert, 36 :303–314, 1993. [26] F.-X. Demoulin, P. Beau, G. Blokkeel, A. Mura, and R. Borghi. A new model for turbulent flows with large density fluctuations : application to liquid atomization. Atomization and spray, 17 :315–345, 2007. [27] F.-X. Demoulin, A. Mura, and S. Zurbach. Single flow modeling of high pressure turbulent cryogenic injection and combustion. In Third international workshop rocket combustion modeling. SNECMA, Mars 2006. [28] F.-X. Demoulin, S. Zurbach, and A. Mura. High pressure supercritical turbulent cryogenic injection and combustion : a single phase flow modeling proposal. Journal of propulsion and power, 25 :452–464, 2009. BIBLIOGRAPHIE 193 [29] O. Desjardins, G. Blanquard, G. Balarac, and H. Pitsch. High order conservative finite difference scheme for variable density low mach number turbulent flows. Journal of Computational Physics, 227 :7125–7159, 2008. [30] J.F. Ely and H.J.M. Hanley. Prediction of transport properties. 1. viscosity of fluids and mixtures. Ind. Eng. Chem. Fundam., 20 :323–332, 1981. [31] J.F. Ely and H.J.M. Hanley. Prediction of transport properties. 2. thermal conductivity of pure fluids and mixtures. Ind. Eng. Chem. Fundam., 22 :90–97, 1983. [32] N. Ferré. Cours de thermochimie, l2 pei/polytech. Technical report, Université de Provence, 2009. [33] E.N. Fuller, P.D. Schettler, and J.C. Giddings. New method for prediction of binary gasphase diffusion coefficients. Industrial and Engineering Chemistry, 58 :19–27, 1966. [34] M. Germano, U. Piomelli, P. Moin, and W.H. Cabot. A dynamic subgrid-scale eddy viscosity model. Physics of Fluids, 3 :633–635, 1991. [35] D.G. Goodwin. An open source, extensible software suite for cvd process simulation. In Proceedings of CVD XVI and EuroCVD Fourteen. Electrochemical Society, 155–162, 2003. [36] S. Gordon, B.J. McBride, and F.J. Zeleznik. Computer program for calculation of complex chemical equilibrium compositions and applications. supplement i-transport properties. Technical report, NASA, 1984. NASA Technical Memorandum 86885. [37] M. Habiballah, M. Orain, F. Grisch, and P. Gicquel. Experimental studies of high pressure cryogenic flames at supercritical pressure. Combustion Science and Technology, 178 :101–128, 2006. [38] O.J. Haidn and M. Habiballah. Research on high pressure cryogenic combustion. Aerospace Science and Technology, 7 :473–491, 2003. [39] P. Haldenwang, C. Nicoli, and J. Daou. High pressure vaporization of lox droplet crossing the critical conditions. International Journal of Heat and Mass Transfert, 39 :3453–3464, 1996. [40] J.O. Hirschfelder, C.F. Curtiss, and R.B. Bird. Molecular theory of gases and liquids. John Wiley and Sons, Inc, 1954. [41] J. Jiménez. Energy transfer and constrained simulations in isotropic turbulence, annual research briefs. Technical report, Center for turbulence research, Stanford University, 1993. [42] M. Juniper. Structure et stabilisation des flammes cryotechniques. PhD thesis, École Centrale de Paris, 2001. [43] J. Keizer. Statistical thermodynamics of nonequilibrium processes. Springer-Verlag, 1987. [44] C. Kennedy and M. Carpenter. Several new numerical methods for compressible shear layer simulations. Applyed Numer. Math., 14 :753–, 1994. 194 BIBLIOGRAPHIE [45] J. Kim and P. Moin. Application of fractionnal-step method to incompressible navierstokes equations. Journal of computational Physics, 2 :308–323, 1985. [46] P. Lafon. modélisation et simulation numérique de l’évaporation et de la combustion de gouttes à haute pression. PhD thesis, ONERA, 1995. [47] H. Leborgne. modélisation de l’évaporation à haute pression de gouttes multicomposants dans le code KIVA II. PhD thesis, Université de Rouen, 1999. [48] S. Lee, K. Lele, and P. Moin. Numerical simulations of spatially evolving compressible turbulence. Center for Turbulence Research, Annual Research Briefs, Stanford, 126, 1991. [49] S. K. Lele. Compact finite difference schemes with spectral like resolution. Journal of computational Physics, 103 :16–42, 1992. [50] M. Lesieur. Advance and state of the art on large eddy simulations. In Fifth international symposium on refined flow modeling and turbulence measurements, Septembre 1993. [51] K. Lucas. Che. Ing. Tech., 53 :959, 1981. [52] S.V. Malik and A.P. Hooper. Linear stability and energy growth of viscosity stratified flows. Physics of Fluids, 17, 2005. [53] W. Mayer and J. J. Smith. Fundamentals of supercritical mixing and combustion of cryogenic propellants. Progess in Astronautics and Aeronautics, 200 :339–368, 2004. [54] B.J. McBride, M.J. Zehe, and S. Gordon. NASA Glenn coefficients for calculating thermodynamic properties of individual species. National Aeronautics and Space Administration, 2002. [55] L. Medard. L’Encyclopédie des Gaz. Elsevier Scientific Publishing Compagny, 1976. [56] J. P. Mellado, S. Sarkar, and C. Pantano. Reconstruction subgrid models for nonpremixed combustion. Physics of Fluids, 15 :3280–3307, 2003. [57] T. Ménard. Développement d’une méthode Level Set pour le suivi d’interface : application de la rupture de jet liquide. PhD thesis, Université de Rouen, 2007. [58] T. Ménard, S. Tanguy, and T. Berlemont. Coupling level set/vof/ghost fluid methods : Validation and application to 3d simulation of the primary break-up of a liquid jet. International Journal of Multiphase Flow, 33 :510–524, 2007. [59] F. Nicoud. Conservative high order finite difference schemes for low mach number flows. Journal of computational Physics, 158 :71–97, 2000. [60] F. Nicoud and F. Ducros. Subgrid-scale stress modeling based on the square of the velocity gradient. Flow, Turbulence and Combustion, 62 :183–200, 1999. [61] J.C. Oefelein. Thermophysical characteristics of shear-coaxial lox-h2 flames at supercritical pressure. Proceedings of the Combustion Institute, 30 :2929–2937, 2005. [62] J.C. Oefelein. Mixing combustion cryogenic oxygen hydrogen shear coaxial jet flames at supercritical pressure. Combustion Science and Technology, 178 :229–252, 2006. BIBLIOGRAPHIE 195 [63] National Institut of Standards and Technology. Webbook de chimie de nist. http ://webbook.nist.gov/chemistry/fluid/. [64] N. Okong’o, J. Bellan, and K.G. Harstad. Consistent boundary conditions for multicomponent real gas mixtures based on characteristic waves. Journal of Comput. Physics, 176 :330–344, 2002. [65] S.A. Orszag and G.S. Patterson. Numerical simulation of three-dimensional homogeneous isotropic turbulence. Phys. Rev. Lett., 28 :76–79, 1972. [66] M. Oschwald and A. Schik. Supercritical nitrogen free jet investigated by spontaneous raman scattering. Experiments in fluids, 27 :497–506, 1999. [67] C. Pantano and S. Sarkar. A subgrid model for nonlinear functions of a scalar. Physics of Fluids, 13 :3803–3819, 2001. [68] N. C. Patel and A. S. Teja. A new cubic equation of state for fluids and fluid mixtures. Chemical Engineering Science, 37 :463–473, 1982. [69] D.Y. Peng and D.B. Robinson. A new two-constant equation of state. Ind. Eng. Chem. Fundam., 15 :58–64, 1976. [70] C. Pierce. Progress variable approach for large Eddy Simulation of turbulent combustion. PhD thesis, Center of Turbulence Research, 2001. [71] K.S. Pitzer. The volumetric and thermodynamic properties of fluids. i. theoretical basis and virial coefficients. Journal of the American Chemical Society, 77 :3427–3433, 1955. [72] K.S. Pitzer, D. Z. Lippmann, R. F. Curl Jr., C. M. Huggins, and D. E. Petersen. The volumetric and thermodynamic properties of fluids. ii. compressibility factor, vapor pressure and entropy of vaporization. Journal of the American Chemical Society, 77 :3433–3440, 1955. [73] T. Poinsot and S. Lele. Boundary conditions for direct simulations of compressible viscous flows. Journal of computational Physics, 101 :104–129, 1992. [74] T. Poinsot and D. Veynante. Theorical and Numerical Combustion. R.T. Edwards, Inc., 2001. [75] W.H. Press, S.A. Teukolsky, W.T. Vetterling, and B.P. Flannery. Numerical Recipes : The art of scientific computing (Third edition). Cambridge University Press, 2007. [76] O. Redlich and J.N.S Kwong. An equation of state, fugacities of gaseous solutions. Chemical Reviews, 44 :233–244, 1949. [77] R.C. Reid, J.M. Prausnitz, and B.E. Poling. Properties of gases and liquids, Fourth Edition. McGraw-Hill, Inc, 1987. [78] J.J. Riley and Jr G.S. Patterson. Diffusion experiments with numerically integrated isotropic turbulence. Physics of Fluids, 17 :292–297, 1974. [79] R. S. Rogallo. Numerical experiments in homogeneous turbulence. Technical report, NASA, 1981. Technical Memorandum No. 81315. 196 BIBLIOGRAPHIE [80] R. C. Rogers and W. Chinitz. Using a global hydrogen-air combustion model in turbulent reacting flow calculations. AIAA journal, 21 :586–592, 1983. [81] J. Réveillon. Multiphase reacting flows : modeling and simulation. CISM International Center for Mechanical Sciences, 2007. [82] T. Schmitt, L.C. Selle, B. Cuenot, and T. Poinsot. Large-eddy simulation of transcritical flows. C.R. Mecanique, 337 :528–538, 2009. [83] L.C. Selle, N.A. Okong’o, J. Bellan, and K.G. Harstad. Modeling of subgrid scale phenomena in supercritical transitional mixing layer : an a priori study. Journal of Fluid Mechanics, 593 :57–91, 2007. [84] G. Singla, P. Scouflaire, C. Rolon, and S. Candel. Planar laser-induced fluorescence of oh in high pressure cryogenic lox/gh2 jet flames. Combustion and Flame, 144 :77–81, 2006. [85] W.A. Sirignano. Fluid dynamics and Transport of droplets and sprays. Cambridge University Press, 1999. [86] J. Smagorinsky. General circulation experiments with the primitive equations. Mon. Weather Rev., 61 :99–164, 1963. [87] G. Soave. Equilibrium constants from a modified redlich-kwong equation of state. Chemical Engineering Science, 27 :1197–1203, 1972. [88] M.C. Soteriou and A.F. Ghoniem. Effects of the free-stream density ratio on free and forced spatially developing shear layers. Physics of Fluids, 7 :2036–2051, 1995. [89] S. Takahashi. Preparation generalized chart for diffusion coefficients gases at high pressures. Journ. of Chem. Eng. of Japan, 7 :417–420, 1974. [90] B. Talbot. Mélange et dynamique de la turbulence en écoulements libres à viscosité variable. PhD thesis, Université de Rouen, 2009. [91] A.S. Teja and P. Rice. Generalized corresponding states method for the viscosities of liquid mixtures. Ind. Eng. Che. Fundam., 20 :77–81, 1981. [92] R. Temam. Sur l’approximation de la solution des équations de navier-stokes par la méthode des pas fractionnaires. Archive for rational mechanics and analysis, 32 :135– 153, 1969. [93] R.J. Kee et al. CHEMKIN Software, Theory manual. Reacting design, 2005. [94] A. Toutant. Modélisation physique des interactions entre interface et turbulence. PhD thesis, IMP Toulouse, 2006. [95] P. K. Tucker, S. Menon, C. L. Merkle, J. C. Oefelein, and V. Yang. An approach to improved credibility of cfd simulations for rocket injector design. 43rd AIAA/ASEE Joint propulsion conference anf exhibit, pages 1–23, 2007. [96] J.O. Valderrama. The state of the cubic equations of state. Ind. Eng. Chem. Fundam., 42 :1603–1618, 2003. BIBLIOGRAPHIE 197 [97] L. Vingert, M. Habiballah, and A. Nicole. The mascotte single injector 60 bar hot test for code validation - test case specifications and some more experimental data. In Third international workshop rocket combustion modeling. SNECMA, Mars 2006. [98] L. Vingert, M. Habiballah, P. Vuillermoz, and S. Zurbach. Mascotte, a test facility for cryogenic combustion research at high pressure. In 51th International Astronautical Congress, Octobre 2000. [99] F.A. Williams. Combustion Theory : second edition. Westview Press, 1994. [100] A. A. Wray. Minimal storage time-advancement schemes for spectral methods. Technical report, Center for turbulence research Report, Stanford University, 1990. [101] V. Yang. Modeling of supercritical vaporization, mixing and combustion processes in liquid-fueled propulsion systems. Proc. Combust. Inst., 28 :925–942, 2000. [102] V. Yang, H. Meng, G.C. Hsiao, and J.S. Shuen. Transport and dynamics of liquid oxygen droplets in supercritical hydrogen streams. Journal of Fluid Mechanics, 527 :115–139, 2005. [103] V. Yang and J. Oefelein. Modeling high-pressured mixing and combustion processes in liquid rocket engines. J. Prop. Power, 30 :843–, 1998. [104] V. Yang and N. Zong. Cryogenic fluid jets ant mixing layers in transcritical and supercritical environments. Combustion Science and Technology, 178 :193–227, 2006. [105] G.S. Zhu and S.K. Aggarwal. Transient supercritical droplet evaporation with emphasis on the effects of equation of state. International Journal of Heat and Mass Transfert, 43 :1157–1171, 2000. [106] N. Zong, H. Meng, S.-Y. Hsieh, and V. Yang. A numerical study of cryogenic fluid injection and mixing under supercritical conditions. Physics of Fluids, 16 :4248, 2004.