Turbulensmodellering

Den övergripande inriktningen för min forskning är beräkning av vätskeflöde och värmekonvektiv överföring med hjälp av finita volymberäkningar. Jag arbetar med Python-koder för finita volymer (pyCALC-LES, pyCALC-RANS-LES), som jag har utvecklat själv. Mitt forskningsfokus är turbulensmodellering för vätskeflöde och värmeöverföring. En stor del av forskningen är koncentrerad på Large Eddy Simulations (LES).

Sedan omkring 2004 har jag fokuserat på hybrid LES/RANS, ett tillvägagångssätt för att göra det möjligt att använda LES för väggbegränsade flöden vid höga Reynolds-tal. År 2022 började jag arbeta med maskininlärning för att förbättra väggfunktioner och turbulensmodeller.

Nedan kan du se några av mina publikationer. 

• L. Davidson, "Large Eddy Simulations: how to evaluate resolution", International Journal of Heat and Fluid Flow, Vol. 30(5), pp. 1016-1025,2009.
  Link to pdf

• L. Davidson, "Hybrid LES-RANS: back scatter from a scale-similarity model used as forcing", Phil. Trans. of the Royal Society A, Vol. 367, Issue 1899, pp. 2905-2915, 2009.
  Link to pdf

• L. Davidson, "Zonal PANS: evaluation of different treatments of the RANS-LES interface", Journal of Turbulence, Volume 17, Issue 3, pp. 274-307, 2016.
  Link to pdf

• L. Davidson, "Two-equation hybrid RANS-LES models: A novel way to treat k and omega at inlets and at embedded interfaces", Journal of Turbulence, Volume 18, Issue 4, pp. 291-315, 2017.
  Link to pdf

• L. Davidson and C. Friess, "A new formulation of _fk for the PANS model", Journal of Turbulence, Vol. 20(5), pp. 322-336, 2019.
  Link to Taylor & Francis online

• C. Friess and L. Davidson, "A formulation of PANS able to mimic IDDES", International Journal of Heat and Fluid Flow, Vol. 86, No. 108666, 2020.
  Link to Science Direct

•  L. Davidson, "pyCALC-LES: A Python Code for DNS, LES and Hybrid LES-RANS", Division of Fluid Dynamics, Dept. of Mechanics and Maritime Sciences, Chalmers University of Technology, Göteborg, 2020.
  Link to pdf

• L. Davidson and Ch. Friess, "Detached Eddy Simulations: Analysis of a limit on the dissipation term for reducing spectral energy transfer at cut-off", ETMM13: The 13th International ERCOFTAC symposium on engineering, turbulence, modelling, Rhodes, Greece, 15--17 September, 2021.
  Link to pdf

• L. Davidson, "pyCALC-RANS: A Python Code for Two-Dimensional Turbulent Steady Flow", Division of Fluid Dynamics, Dept. of Mechanics and Maritime Sciences, Chalmers University of Technology, Göteborg, 2021. 
  Link to publication

• L. Davidson, "Non-Zonal Detached Eddy Simulation coupled with a steady RANS solver in the wall region", International Journal of Heat and Fluid Flow,  Vol.92, 108880, 2021.
  Link to Science Direct

• L. Davidson, "Using Machine Learning for formulating new wall functions for  Detached Eddy Simulation", ERCOFTAC symposium on Engineering, Turbulence, Modelling and Measurements (ETMM14), in Mini-Symposium: Machine learning for turbulence, Barcelona, Spain 6th - 8th September 2023a.
  Link to pdf

• L. Davidson, "Using Neural Network for Improving an Explicit Algebraic Stress Model in 2D Flow",
  CUFS 2024, Proceedings of the Cambridge Unsteady Flow Symposium 2024
  Editors: J. C. Tyacke and N. R. Vadlamani.  Publisher: Springer Nature Switzerland AG (to appear)
  Download Python code

• L. Davidson, "Hybrid LES/RANS for flows including separation: A new wall function using Machine Learning based on binary search trees", Journal of Turbulence, 2025
  Get article at publisher
  Download Python script and databases

• L. Davidson, "Using Physical Informed Neural Network (PINN) to Improve a k-omega Turbulence Model", ERCOFTAC symposium on Engineering, Turbulence, Modelling and Measurements (ETMM15) in Mini-Symposium: Machine learning for turbulence, Dubrovnik on 22-24 September 2025
  Link to pdf
  Download Python script and CFD code

• Lars Davidson, "Using Physics Informed Neural Network (PINN) and Neural Network (NN) to Improve a k-omega Turbulence Model", Journal of Turbulence, vol. 27, issue 7, pp. 187--208, 2026
  Link to publication
  Download the PINN and NN Pythons scripts and the CFD code

För mer information, besök min personliga webb-sida.