Abstract A multi-fidelity framework is presented to accurately predict the turbulent Schmidt number, S c t with applications to atmospheric dispersion modelling. According to the literature and experimental evidence, different physical correlations can be traced for S c t , relating this quantity to various turbulent parameters. The objective is to derive a reliable formulation for S c t that can be used in various test cases and combined with several turbulence models in the context of Reynolds-averaged Navier-Stokes (RANS) simulations. To achieve that, high-fidelity data are obtained with a delayed Detached Eddy Simulation (dDES) and used in a correlation study to analyze the inter-dependencies of S c t with important turbulent variables. A first data-driven model for S c t is proposed by calibrating the data to the semi-empirical relation by Reynolds. A second model is presented using the results of a correlation study in combination with Principal Component Analysis (PCA). Both data-driven models were verified with the RANS simulation of the Cedval A1-5 case, and 2 additional dispersion cases: the Cedval B1-1 array of building, and the empty street canyon from the CODASC database. There can be concluded that the resulting S c t formulation is able to significantly improve the accuracy of the concentration field compared to standard RANS approaches. Furthermore, the validity of the new formulation is demonstrated in combination with several turbulence models.

中文翻译：

---

大气扩散模拟中湍流施密特数估计的多保真框架

摘要 提出了一种多保真框架来准确预测湍流施密特数 S ct 并将其应用于大气扩散建模。根据文献和实验证据，可以追踪 S ct 的不同物理相关性，将这个量与各种湍流参数相关联。目标是为 S ct 推导出一个可靠的公式，该公式可用于各种测试案例，并在雷诺平均纳维-斯托克斯 (RANS) 模拟的背景下与多个湍流模型相结合。为了实现这一点，高保真数据是通过延迟分离涡流模拟 (dDES) 获得的，并用于相关研究，以分析 S ct 与重要湍流变量的相互依赖性。通过将数据校准为 Reynolds 的半经验关系，提出了 S ct 的第一个数据驱动模型。使用相关性研究的结果结合主成分分析 (PCA) 呈现了第二个模型。两种数据驱动模型都通过 Cedval A1-5 案例和 2 个额外的分散案例的 RANS 模拟进行了验证：Cedval B1-1 建筑物阵列和来自 CODASC 数据库的空街峡谷。可以得出结论，与标准 RANS 方法相比，所得 S ct 公式能够显着提高浓度场的准确性。此外，结合几个湍流模型证明了新公式的有效性。使用相关性研究的结果结合主成分分析 (PCA) 来呈现第二个模型。两种数据驱动模型都通过 Cedval A1-5 案例和 2 个额外的分散案例的 RANS 模拟进行了验证：Cedval B1-1 建筑物阵列和来自 CODASC 数据库的空街峡谷。可以得出结论，与标准 RANS 方法相比，所得 S ct 公式能够显着提高浓度场的准确性。此外，结合几个湍流模型证明了新公式的有效性。使用相关性研究的结果结合主成分分析 (PCA) 来呈现第二个模型。两种数据驱动模型都通过 Cedval A1-5 案例和 2 个额外的分散案例的 RANS 模拟进行了验证：Cedval B1-1 建筑物阵列和来自 CODASC 数据库的空街峡谷。可以得出结论，与标准 RANS 方法相比，所得 S ct 公式能够显着提高浓度场的准确性。此外，结合几个湍流模型证明了新公式的有效性。可以得出结论，与标准 RANS 方法相比，所得 S ct 公式能够显着提高浓度场的准确性。此外，结合几个湍流模型证明了新公式的有效性。可以得出结论，与标准 RANS 方法相比，所得 S ct 公式能够显着提高浓度场的准确性。此外，结合几个湍流模型证明了新公式的有效性。