Browsing by Author "Nash Constenla, Sebastián Andrés"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Single porosity model: exploring the spatial resolution limits in complex urban patterns
    (2023) Nash Constenla, Sebastián Andrés; Jahn von Arnswaldt, Wolfram Michael; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Al modelar inundaciones urbanas a gran escala, el uso de ecuaciones no lineales de porosidad para aguas someras resulta un enfoque interesante para reducir el tiempo de cálculo preservando la estructura de la solución. En estos modelos, la información topográfica a escala fina se representa a escala gruesa mediante la porosidad, lo que permite acelerar los cálculos comprometiendo la precisión de la solución numérica. La porosidad considera el cambio en la sección de almacenamiento e intercambio debido a la presencia de obstáculos (p. ej. viviendas) en la llanura de inundación e introduce un nuevo término fuente de momentum asociado a su gradiente. En este trabajo se utiliza el modelo Single Porosity en coordenadas Cartesianas, calculando la porosidad al nivel de la celda computacional, para la simulación de flujos en una zona urbana idealizada y en un caso de estudio, aumentando gradualmente la resolución espacial. En este proceso se pasa de una escala fina a la macroescala, donde la distribución de porosidad dentro de la zona urbana se va haciendo más uniforme. En una escala intermedia, denominada mesoescala, donde el tamaño de celda es del orden del ancho de la calle y la reducción del tiempo de cálculo es aún significativa, las principales vías preferentes de flujo pueden captarse mediante el gradiente de porosidad. A tal escala, se encuentra una buena concordancia con las soluciones del modelo clásico para la profundidad de agua, área inundada y variables compuestas (por profundidad y velocidad) que indican el peligro de inundación, tanto en magnitud como en distribución espacial. Los resultados numéricos resaltan la importancia de modelos de porosidad para evaluar rápidamente la amenaza, mejorando la previsión en tiempo real y proporcionando información crucial para una toma de decisiones informada durante estos eventos.