H 1.6. Datos medidos para cargas de viento en edificios pequeños (ejemplo WTG 9.3)

Historia del usuario

El siguiente ejemplo describe experimentos en túneles de viento realizados por Universidad Politécnica de Tokio (TPU) como un ejemplo de validación en la Parte 9.3 del Boletín WTG-Merkblatt M3. Vamos a calcular el coeficiente de presión del viento promedio (Cp) para diferentes zonas de viento, que pertenece a Grupo 2, según el Figura 2.2 en el WTG-Merkblatt-M3:

• G2: Valores absolutos con requisitos de precisión media: El área de aplicación puede incluir parámetros o estudios preliminares cuando se planifican investigaciones posteriores con mayor precisión (por ejemplo, examen en túnel de viento de la clase G3).
• R2: Solitario: todas las direcciones del viento relevantes con resolución direccional suficientemente fina.
• Z2: Valores medios estadísticos y desviaciones estándar: siempre que involucren procesos de flujo estacionario, para los cuales es suficiente una verificación estadística de fluctuaciones con un factor de pico.
• S1: Efectos estáticos: Estos son suficientes para representar el modelo estructural con el detalle mecánico necesario, pero sin propiedades de masa y amortiguación.

Descripción

Esta sección presenta datos experimentales de validación para cargas de viento en modelos de edificios de baja altura con tejados a dos aguas. Los datos provienen de la base de datos aerodinámica de la Universidad Politécnica de Tokio (TPU), que proporciona mediciones de referencia para edificios con diferentes configuraciones de techos.

El ejemplo de verificación compara las predicciones CFD de coeficientes de presión del viento contra los experimentos en túnel de viento de la TPU. La geometría del edificio de referencia (relación de dimensiones D:B:H_o= 160 : 160 : 40, ángulo de inclinación del techo β=45^∘) se analiza descomponiendo la estructura en superficies individuales (pared de barlovento, paredes laterales, pared de sotavento y pendientes del techo) como se muestra en la imagen 1. La parte inferior de la figura muestra los perfiles de condiciones de frontera de entrada de flujo utilizados en el túnel de viento y el modelo CFD:

• Perfil de velocidad media del viento U(z)
• Perfil de intensidad de turbulencia I(z)

Estos perfiles se comparan con las condiciones de terreno de la Categoría III (estándar AIJ 2004). El acuerdo demuestra que la entrada en túnel de viento de la TPU reproduce características realistas de la capa límite atmosférica, proporcionando una base confiable para la validación.

1 Campo de viento simulado de terreno suburbano [Datos de TPU]

Tabla 1: Datos de entrada del techo a dos aguas en 3D

Estudio de malla computacional

La figura presenta un análisis de sensibilidad de malla del modelo de techo a dos aguas en RWIND. El coeficiente de fuerza calculado (C_f) permanece constante en 0.83 para densidades de malla de 15% y 25%, indicando resultados estables en niveles de refinamiento más bajos. En densidades de malla más altas de 30% y 35%, C_f aumenta ligeramente a 0.85 y 0.87, respectivamente. Este comportamiento demuestra una convergencia general, con solo variaciones menores observadas a medida que la malla se vuelve más fina.

2 Análisis de sensibilidad de malla utilizando el coeficiente de fuerza (Cf) en RWIND

Además, el estudio de malla computacional necesita realizarse según el siguiente enlace:

• Estudio de malla computacional

Requisito de precisión del WTG-Merkblatt M3

El WTG-Merkblatt M3 proporciona dos métodos clave para validar los resultados de simulación. El Método de Tasa de Éxito evalúa cuántos de los valores simulados P_i coinciden correctamente con los valores de referencia O_i dentro de una tolerancia definida, utilizando un enfoque de clasificación binaria (éxito o fracaso). Este enfoque evalúa la fiabilidad de la simulación calculando una tasa de éxito q, similar a las funciones de confianza utilizadas en la teoría de la fiabilidad. En contraste, el método de Error Cuadrado Medio Normalizado (e²) ofrece una evaluación de precisión más detallada cuantificando la desviación cuadrada promedio entre los valores simulados y de referencia, normalizada para tener en cuenta las diferencias de escala. Juntos, estos métodos proporcionan medidas tanto cualitativas como cuantitativas para la validación de la simulación.

• Validación de resultados de la simulación utilizando el método de índice de éxito definido en la WTG-Merkblatt M3

• Evaluación de la precisión de resultados utilizando el error de media cuadrática normalizado definido en la WTG-Merkblatt M3

Resultados y discusión

Las seis figuras (imágenes 3 a 8) presentan un análisis comparativo de los coeficientes de presión medios (Ave C_p) en diferentes superficies de un edificio con techo a dos aguas, obtenidos de experimentos en túnel de viento de la Universidad Politécnica de Tokio (TPU) y simulados usando RWIND con ambos modelos de turbulencia Steady RANS k-ω y URANS k-ω.

Para la superficie 1 (pared de barlovento), el C_p promedio disminuye constantemente de alrededor de 0.65 a 0° de dirección del viento a aproximadamente –0.9 a 90°. Los datos experimentales comienzan en valores ligeramente más altos, mientras que el Steady RANS subestima las presiones máximas positivas. URANS captura mejor los picos de presión, particularmente entre 10° y 20°, y muestra un acuerdo más cercano con los experimentos en el rango inicial, aunque todos los métodos convergen en ángulos mayores.

3 Comparación de resultados experimentales y CFD para el coeficiente de presión promedio (Cp) en la superficie 1 bajo direcciones de viento variables

Para la superficie 2 (pared lateral), el C_p promedio aumenta constantemente de aproximadamente –0.6 a 0° a alrededor de +0.65 a 90°. Los resultados experimentales muestran un aumento suave y consistente a lo largo de todo el rango angular. La simulación Steady RANS subestima ligeramente la succión en ángulos de viento pequeños y sobreestima marginalmente las presiones positivas en ángulos más grandes. En contraste, los resultados de URANS muestran un acuerdo mucho más cercano con los datos experimentales, particularmente entre 30° y 80°, destacando su capacidad mejorada en capturar la recuperación del flujo de sotavento.

4 Comparación de resultados experimentales y CFD para el coeficiente de presión media (Cp) en la superficie 2 bajo direcciones de viento variables

En el caso de la superficie 3 (pared de sotavento), la presión permanece negativa, comenzando en alrededor de –0.3 a 0° y alcanzando valores alrededor de –0.9 cerca de 70°–80°. La tendencia experimental es bien capturada por Steady RANS en la mayoría de los ángulos, mientras que URANS consistentemente subestima la presión (Cp menos negativo), especialmente en la gama media de direcciones del viento. Esto muestra que Steady RANS se desempeña mejor para las condiciones de succión en la pared lateral.

5 Comparación de coeficientes de presión del viento experimentales y numéricos en la superficie 3 según direcciones del viento

El coeficiente de presión promedio en la superficie 4 (pared lateral) permanece negativo en todas las direcciones del viento, con valores que aumentan gradualmente de succión fuerte a 0° a casi neutral a 90°. Tanto RANS como URANS generalmente capturan la tendencia general observada en los datos experimentales, pero ocurren desviaciones notables, particularmente en ángulos de viento más altos donde las simulaciones tienden a sobreestimar la recuperación. Steady RANS muestra un acuerdo más cercano en el rango medio, mientras que Steady URANS exhibe discrepancias mayores en ángulos altos.

6 Comparación de coeficientes de presión del viento experimentales y numéricos en la superficie 4 en todas las direcciones del viento

Para la superficie 5, todos los métodos capturan consistentemente la transición suave del coeficiente de presión promedio de valores negativos (succión) en ángulos de viento bajos a presión positiva en direcciones de viento más altas. Los datos experimentales de TPU indican un aumento constante, cruzando de la succión a la presión alrededor de 45°, una tendencia que se refleja bien en ambos enfoques numéricos. Steady RANS sigue los resultados experimentales con una precisión muy cercana, mostrando solo desviaciones mínimas en todo el rango angular. URANS, por otro lado, predice valores ligeramente diferentes, generalmente tendiendo a subestimar la presión en direcciones de viento más altas, pero aún mantiene un buen acuerdo general con ambos, experimentos y RANS.

7 Comparación entre coeficientes de presión del viento experimentales y numéricos en la superficie 5 según direcciones del viento

Finalmente, el coeficiente de presión promedio en la superficie 6 muestra un buen acuerdo entre experimentos y CFD, mientras que a 20°–40° los experimentos indican succión más fuerte. Steady RANS subestima ligeramente este pico, y URANS consistentemente sobreestima con succión más baja. En general, RANS captura la tendencia experimental de manera más confiable, mientras que URANS tiende a desviarse en ángulos de viento oblicuos.

8 Comparación de coeficientes de presión del viento experimentales y numéricos en la superficie 6 según las direcciones de viento

La Tabla 3 resume las métricas de validación para las seis superficies del edificio, considerando un criterio de desviación de 10% para RANS y 20% para URANS. Para la Superficie 1, URANS muestra una clara superioridad con una tasa de éxito más alta (85% en comparación con 57% para RANS) y un error más bajo (e² = 0.012 frente a 0.015). Se observa una tendencia similar para la Superficie 2, donde URANS nuevamente supera a RANS, logrando una tasa de éxito del 71% frente a 57% y reduciendo el error de 0.025 a 0.011. En contraste, la Superficie 3 destaca la fortaleza de RANS, que logra una tasa de éxito más alta (85% frente a 71%) y un error significativamente más bajo (0.008 en comparación con 0.030). Para la Superficie 4, ambos métodos alcanzan una tasa de éxito idéntica del 85%, pero RANS se desempeña ligeramente mejor en términos de error (0.022 frente a 0.026). Las superficies 5 y 6 muestran tasas de éxito equilibradas del 71% para ambos métodos; sin embargo, para la Superficie 5, los errores son iguales (0.010 para ambos), mientras que para la Superficie 6, RANS es notablemente superior con un error mucho menor (0.006 frente a 0.031). En general, los resultados indican que URANS proporciona un mejor acuerdo con los experimentos en las Superficies 1 y 2, mientras que RANS ofrece predicciones más precisas para las Superficies 3 y 6, con ambos métodos mostrando un rendimiento comparable en las Superficies 4 y 5.

Tabla 3: Métrica de validación para el valor Cp de Seis Zonas Diferentes

87x

13x

WTG ejemplo 9.3