自然対流のCFD解析 — 高Rayleigh数流れとDNSデータの活用

大規模建築空間（アトリウム、倉庫）、原子炉格納容器内の自然対流、マントル対流などがこの領域だ。流れは完全に乱流で、大規模な渦構造（plume、thermal）が支配する。RANSでは定性的な傾向はつかめるが、定量的な予測にはLESが望ましい。

解ける。水平面を下から加熱する古典的なRayleigh-Benard対流は、$Ra > 1708$ でセル構造が現れ、$Ra > 10^7$ 程度で乱流化する。DNSデータが豊富に存在するので（Verziccoらのデータベースなど）、CFDコードの検証に最適だ。Nu数のスケーリング則 $Nu \sim Ra^{0.31}$ が $10^7 < Ra < 10^{14}$ で成り立つことが知られている。

ある。自然対流の壁面近傍の乱流統計量（レイノルズ応力、乱流熱流束）のDNSデータを使って、RANSモデルの浮力項の係数を最適化する研究が進んでいる。PINNs（Physics-Informed Neural Networks）を使って乱流モデルの補正項を学習させるアプローチもある。

常温の室内環境でも壁面間の輻射が全熱伝達の30〜50%を占める。高温環境（炉、高温配管）ではさらに支配的になる。CFDではSurface-to-Surface（S2S）輻射モデルが標準で、面間の形態係数（view factor）を計算して輻射熱交換を求める。

透明媒体（空気など）ならS2Sで十分だが、煙やガスを含む場合はParticipating media（参加性媒体）モデルが必要。Discrete Ordinates（DO）モデルやP1モデルが使われる。FluentではRadiation ModelsからDOやS2Sを選択できるよ。