Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Yang, Jiasheng",
2
  "author": "Yang, Jiasheng",
            
3
  "author_email": "",
3
  "author_email": "",
            
n
n
4
  "citation": [],
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
5
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1292",
6
  "doi": "10.35097/1292",
            
6
  "doi_date_published": "2023",
7
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
8
  "doi_publisher": "",
            
8
  "doi_status": "True",
9
  "doi_status": "True",
            
9
  "extra_authors": [
10
  "extra_authors": [
            
10
    {
11
    {
            
11
      "extra_author": "Stroh, Alexander",
12
      "extra_author": "Stroh, Alexander",
            
n
n
13
      "familyName": "Stroh",
            
14
      "givenName": "Alexander",
            
12
      "orcid": ""
15
      "orcid": ""
            
13
    },
16
    },
            
14
    {
17
    {
            
15
      "extra_author": "Chung, Daniel",
18
      "extra_author": "Chung, Daniel",
            
n
n
19
      "familyName": "Chung",
            
20
      "givenName": "Daniel",
            
16
      "orcid": ""
21
      "orcid": ""
            
17
    },
22
    },
            
18
    {
23
    {
            
19
      "extra_author": "Forooghi, Pourya",
24
      "extra_author": "Forooghi, Pourya",
            
n
n
25
      "familyName": "Forooghi",
            
26
      "givenName": "Pourya",
            
20
      "orcid": ""
27
      "orcid": ""
            
21
    }
28
    }
            
22
  ],
29
  ],
            
n
n
30
  "familyName": "Yang",
            
31
  "givenName": "Jiasheng",
            
23
  "groups": [],
32
  "groups": [],
            
24
  "id": "22e093cc-bd50-40a8-a991-7f0ff27c4778",
33
  "id": "22e093cc-bd50-40a8-a991-7f0ff27c4778",
            
25
  "isopen": false,
34
  "isopen": false,
            
26
  "license_id": "CC BY 4.0 Attribution",
35
  "license_id": "CC BY 4.0 Attribution",
            
27
  "license_title": "CC BY 4.0 Attribution",
36
  "license_title": "CC BY 4.0 Attribution",
            
28
  "metadata_created": "2023-08-04T08:50:28.192530",
37
  "metadata_created": "2023-08-04T08:50:28.192530",
            
t
29
  "metadata_modified": "2023-08-04T09:29:02.496742",
t
38
  "metadata_modified": "2024-11-28T13:15:29.947038",
            
30
  "name": "rdr-doi-10-35097-1292",
39
  "name": "rdr-doi-10-35097-1292",
            
31
  "notes": "Abstract: Direct numerical simulation (DNSs) are used to 
40
  "notes": "Abstract: Direct numerical simulation (DNSs) are used to 
            
32
systematically investigate applicability of minimal channel approach 
41
systematically investigate applicability of minimal channel approach 
            
33
for characterization of roughness-induced drag in irregular rough 
42
for characterization of roughness-induced drag in irregular rough 
            
34
surfaces. Roughness is generated mathematically using a random 
43
surfaces. Roughness is generated mathematically using a random 
            
35
algorithm, in which the power spectrum (PS) and probability density 
44
algorithm, in which the power spectrum (PS) and probability density 
            
36
function (PDF) of surface height function can be prescribed. 12 
45
function (PDF) of surface height function can be prescribed. 12 
            
37
different combinations of PS and PDF are examined and both 
46
different combinations of PS and PDF are examined and both 
            
38
transitionally and fully rough regimes are investigated (roughness 
47
transitionally and fully rough regimes are investigated (roughness 
            
39
heights varies in the range $k^+$ = 25 -- 100).\r\n    It is 
48
heights varies in the range $k^+$ = 25 -- 100).\r\n    It is 
            
40
demonstrated that both roughness function ($\\Delta U^+$) and 
49
demonstrated that both roughness function ($\\Delta U^+$) and 
            
41
zero-plane displacement can be predicted within $\\pm5\\%$ accuracy 
50
zero-plane displacement can be predicted within $\\pm5\\%$ accuracy 
            
42
using DNS in properly sized minimal channels. Notably, the predictions 
51
using DNS in properly sized minimal channels. Notably, the predictions 
            
43
do not deteriorate when a limited range of large horizontal roughness 
52
do not deteriorate when a limited range of large horizontal roughness 
            
44
scales are filtered out due to the small channel size (here up to 
53
scales are filtered out due to the small channel size (here up to 
            
45
10\\% of original roughness height spectral energy based on 2D PS). 
54
10\\% of original roughness height spectral energy based on 2D PS). 
            
46
Additionally, examining the results obtained from different random 
55
Additionally, examining the results obtained from different random 
            
47
realizations of roughness shows that a certain combination of PDF and 
56
realizations of roughness shows that a certain combination of PDF and 
            
48
PS leads to a nearly unique $\\Delta U^+$ for deterministically 
57
PS leads to a nearly unique $\\Delta U^+$ for deterministically 
            
49
different surface topographies.\r\n    In addition to the global flow 
58
different surface topographies.\r\n    In addition to the global flow 
            
50
properties, the distribution of time-averaged surface force exerted by 
59
properties, the distribution of time-averaged surface force exerted by 
            
51
the roughness onto the fluid is calculated and compared for different 
60
the roughness onto the fluid is calculated and compared for different 
            
52
cases. \r\n    It is shown that patterns of surface force distribution 
61
cases. \r\n    It is shown that patterns of surface force distribution 
            
53
over irregular rough surfaces can be well captured when the sheltering 
62
over irregular rough surfaces can be well captured when the sheltering 
            
54
effect is taken into account. This is made possible applying the 
63
effect is taken into account. This is made possible applying the 
            
55
sheltering model proposed by Yang et al. to each specific roughness 
64
sheltering model proposed by Yang et al. to each specific roughness 
            
56
topography.\r\n    Furthermore, an analysis of the coherence function 
65
topography.\r\n    Furthermore, an analysis of the coherence function 
            
57
between roughness height and surface force distributions reveals that 
66
between roughness height and surface force distributions reveals that 
            
58
the coherence drops at larger streamwise wavelengths, which can be an 
67
the coherence drops at larger streamwise wavelengths, which can be an 
            
59
indication that very large horizontal scales are less dominant in 
68
indication that very large horizontal scales are less dominant in 
            
60
contributing to the skin friction drag. \r\n    Finally, some existing 
69
contributing to the skin friction drag. \r\n    Finally, some existing 
            
61
roughness correlations are assessed using the present roughness 
70
roughness correlations are assessed using the present roughness 
            
62
dataset, and it is shown that the correlation predictions for the 
71
dataset, and it is shown that the correlation predictions for the 
            
63
values of equivalent sand-grain roughness mainly lie within 
72
values of equivalent sand-grain roughness mainly lie within 
            
64
$\\pm30\\%$ error in comparison to the DNS 
73
$\\pm30\\%$ error in comparison to the DNS 
            
65
results.\r\nTechnicalRemarks: These files contain the data used in the 
74
results.\r\nTechnicalRemarks: These files contain the data used in the 
            
66
publication:\r\n\r\n\u201cDNS-based characterization of pseudo-random 
75
publication:\r\n\r\n\u201cDNS-based characterization of pseudo-random 
            
67
roughness in minimal channels\u201d\r\nJ. Yang, A. Stroh, D. Chung and 
76
roughness in minimal channels\u201d\r\nJ. Yang, A. Stroh, D. Chung and 
            
68
P. Forooghi\r\npublished in Journal of Fluid 
77
P. Forooghi\r\npublished in Journal of Fluid 
            
69
Mechanics\r\ndoi:10.1017/jfm.2022.331\r\n\r\nNumerical 
78
Mechanics\r\ndoi:10.1017/jfm.2022.331\r\n\r\nNumerical 
            
70
Details:\r\n\r\nThe carried out DNS is based on a pseudo-spectral 
79
Details:\r\n\r\nThe carried out DNS is based on a pseudo-spectral 
            
71
solver for incompressible boundary layer flows developed at 
80
solver for incompressible boundary layer flows developed at 
            
72
KTH/Stockholm. The Navier-Stokes equations are numerically integrated 
81
KTH/Stockholm. The Navier-Stokes equations are numerically integrated 
            
73
using the velocity-vorticity formulation by a spectral method with 
82
using the velocity-vorticity formulation by a spectral method with 
            
74
Fourier decomposition in the horizontal directions and Chebyshev 
83
Fourier decomposition in the horizontal directions and Chebyshev 
            
75
discretization in the wall-normal direction. For temporal advancement, 
84
discretization in the wall-normal direction. For temporal advancement, 
            
76
the convection and viscous terms are discretized using the 3rd order 
85
the convection and viscous terms are discretized using the 3rd order 
            
77
Runge-Kutta and Crank-Nicolson methods, respectively. The simulation 
86
Runge-Kutta and Crank-Nicolson methods, respectively. The simulation 
            
78
domain represents an turbulent channel flow with periodic boundary 
87
domain represents an turbulent channel flow with periodic boundary 
            
79
conditions applied in streamwise and spanwise directions, while the 
88
conditions applied in streamwise and spanwise directions, while the 
            
80
wall-normal extension of the domain is bounded by no-slip boundary 
89
wall-normal extension of the domain is bounded by no-slip boundary 
            
81
conditions at the upper and lower domain wall. The flow is driven by a 
90
conditions at the upper and lower domain wall. The flow is driven by a 
            
82
prescribed constant pressure gradient (CPG). The friction Reynolds 
91
prescribed constant pressure gradient (CPG). The friction Reynolds 
            
83
number for the present case is fixed to Re_\u03c4 = 500. The 
92
number for the present case is fixed to Re_\u03c4 = 500. The 
            
84
structured surface is introduced through an immersed boundary method 
93
structured surface is introduced through an immersed boundary method 
            
85
(IBM) based on the method proposed by Goldstein et al. (1993) and is 
94
(IBM) based on the method proposed by Goldstein et al. (1993) and is 
            
86
essentially a proportional controller which imposes zero velocity in 
95
essentially a proportional controller which imposes zero velocity in 
            
87
the solid region of the numerical domain. \r\n\r\nData 
96
the solid region of the numerical domain. \r\n\r\nData 
            
88
Files:\r\n\r\nThe data files are saved and labeled in *.mat files. 
97
Files:\r\n\r\nThe data files are saved and labeled in *.mat files. 
            
89
Each file contains MATLAB data consisting of the roughness height 
98
Each file contains MATLAB data consisting of the roughness height 
            
90
distribution and corresponding coordinates. The roughness structures 
99
distribution and corresponding coordinates. The roughness structures 
            
91
are non-dimensionalized with the channel half height 
100
are non-dimensionalized with the channel half height 
            
92
\u03b4.\r\n\r\nReference:\r\n\r\nPlease provide a reference to the 
101
\u03b4.\r\n\r\nReference:\r\n\r\nPlease provide a reference to the 
            
93
article above when using this data.\r\nPlease direct questions 
102
article above when using this data.\r\nPlease direct questions 
            
94
regarding numerical setup/data to Jiasheng Yang 
103
regarding numerical setup/data to Jiasheng Yang 
            
95
(jiasheng.yang@kit.edu)",
104
(jiasheng.yang@kit.edu)",
            
96
  "num_resources": 0,
105
  "num_resources": 0,
            
97
  "num_tags": 3,
106
  "num_tags": 3,
            
98
  "orcid": "0000-0003-0091-6855",
107
  "orcid": "0000-0003-0091-6855",
            
99
  "organization": {
108
  "organization": {
            
100
    "approval_status": "approved",
109
    "approval_status": "approved",
            
101
    "created": "2023-01-12T13:30:23.238233",
110
    "created": "2023-01-12T13:30:23.238233",
            
102
    "description": "RADAR (Research Data Repository) is a 
111
    "description": "RADAR (Research Data Repository) is a 
            
103
cross-disciplinary repository for archiving and publishing research 
112
cross-disciplinary repository for archiving and publishing research 
            
104
data from completed scientific studies and projects. The focus is on 
113
data from completed scientific studies and projects. The focus is on 
            
105
research data from subjects that do not yet have their own 
114
research data from subjects that do not yet have their own 
            
106
discipline-specific infrastructures for research data management. ",
115
discipline-specific infrastructures for research data management. ",
            
107
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
116
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
108
    "image_url": "radar-logo.svg",
117
    "image_url": "radar-logo.svg",
            
109
    "is_organization": true,
118
    "is_organization": true,
            
110
    "name": "radar",
119
    "name": "radar",
            
111
    "state": "active",
120
    "state": "active",
            
112
    "title": "RADAR",
121
    "title": "RADAR",
            
113
    "type": "organization"
122
    "type": "organization"
            
114
  },
123
  },
            
115
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
124
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
116
  "private": false,
125
  "private": false,
            
117
  "production_year": "2021",
126
  "production_year": "2021",
            
118
  "publication_year": "2023",
127
  "publication_year": "2023",
            
119
  "publishers": [
128
  "publishers": [
            
120
    {
129
    {
            
121
      "publisher": "Karlsruhe Institute of Technology"
130
      "publisher": "Karlsruhe Institute of Technology"
            
122
    }
131
    }
            
123
  ],
132
  ],
            
124
  "relationships_as_object": [],
133
  "relationships_as_object": [],
            
125
  "relationships_as_subject": [],
134
  "relationships_as_subject": [],
            
126
  "repository_name": "RADAR (Research Data Repository)",
135
  "repository_name": "RADAR (Research Data Repository)",
            
127
  "resources": [],
136
  "resources": [],
            
128
  "services_used_list": "",
137
  "services_used_list": "",
            
129
  "source_metadata_created": "2023",
138
  "source_metadata_created": "2023",
            
130
  "source_metadata_modified": "",
139
  "source_metadata_modified": "",
            
131
  "state": "active",
140
  "state": "active",
            
132
  "subject_areas": [
141
  "subject_areas": [
            
133
    {
142
    {
            
134
      "subject_area_additional": "",
143
      "subject_area_additional": "",
            
135
      "subject_area_name": "Engineering"
144
      "subject_area_name": "Engineering"
            
136
    }
145
    }
            
137
  ],
146
  ],
            
138
  "tags": [
147
  "tags": [
            
139
    {
148
    {
            
140
      "display_name": "DNS",
149
      "display_name": "DNS",
            
141
      "id": "4a6ae94f-6144-4272-909c-423091db71bb",
150
      "id": "4a6ae94f-6144-4272-909c-423091db71bb",
            
142
      "name": "DNS",
151
      "name": "DNS",
            
143
      "state": "active",
152
      "state": "active",
            
144
      "vocabulary_id": null
153
      "vocabulary_id": null
            
145
    },
154
    },
            
146
    {
155
    {
            
147
      "display_name": "Minimal channel",
156
      "display_name": "Minimal channel",
            
148
      "id": "00385f29-3123-4ef3-8c82-dcba9ceb0c03",
157
      "id": "00385f29-3123-4ef3-8c82-dcba9ceb0c03",
            
149
      "name": "Minimal channel",
158
      "name": "Minimal channel",
            
150
      "state": "active",
159
      "state": "active",
            
151
      "vocabulary_id": null
160
      "vocabulary_id": null
            
152
    },
161
    },
            
153
    {
162
    {
            
154
      "display_name": "Roughness",
163
      "display_name": "Roughness",
            
155
      "id": "266df38d-165d-4084-a892-bfb358a7fb62",
164
      "id": "266df38d-165d-4084-a892-bfb358a7fb62",
            
156
      "name": "Roughness",
165
      "name": "Roughness",
            
157
      "state": "active",
166
      "state": "active",
            
158
      "vocabulary_id": null
167
      "vocabulary_id": null
            
159
    }
168
    }
            
160
  ],
169
  ],
            
161
  "title": "Dataset for dns-based characterization of pseudo-random 
170
  "title": "Dataset for dns-based characterization of pseudo-random 
            
162
roughness in minimal channels",
171
roughness in minimal channels",
            
163
  "type": "vdataset",
172
  "type": "vdataset",
            
164
  "url": "https://doi.org/10.35097/1292"
173
  "url": "https://doi.org/10.35097/1292"
            
165
}
174
}