Ghost Fluid方法在运动边界射流问题数值模拟中的应用
可压缩两气体流动的简化神经网络模型
第9卷㊀第2期2024年3月气体物理PHYSICSOFGASESVol.9㊀No.2Mar.2024㊀㊀DOI:10.19527/j.cnki.2096 ̄1642.1089可压缩两气体流动的简化神经网络模型刘子岩ꎬ㊀许㊀亮ꎬ㊀刘耀峰(中国航天空气动力技术研究院ꎬ北京100074)ASimplifiedNeuralNetworkModelforCompressibleTwo ̄GasFlowsLIUZiyanꎬ㊀XULiangꎬ㊀LIUYaofeng(ChinaAcademyofAerospaceAerodynamicsꎬBeijing100074ꎬChina)摘㊀要:实用的虚拟流体方法(practicalghostfluidmethodꎬPGFM)利用Riemann问题速度解对可压缩多介质流场界面条件进行建模ꎮ基于构造的嵌入物理约束的神经网络模型预测Riemann问题速度解的方式ꎬ给出一种两气体流动的神经网络模型简化方法ꎮ首先提出完全气体状态方程下神经网络模型输入特征采样范围从无界域到有界域的转换方法ꎬ改善模型预测不同初始条件下Riemann解的泛化性能ꎮ根据该转化方法ꎬ进一步提出一种结构更加简单的神经网络优化方法ꎬ将输入维度从5个减少到3个ꎬ有效提高神经网络的训练效果ꎮ将该神经网络代理模型应用于PGFM程序框架ꎬ通过典型的一维与二维两气体流动问题进行数值验证与对比分析ꎮ结果表明ꎬ简化的网络模型与已有研究的神经网络模型相比ꎬ能取得精度相近的计算结果ꎮ而在神经网络训练效率上ꎬ简化神经网络具有明显优势ꎮ同时因为简化神经网络采样维度少ꎬ方便尝试加密采样提高拟合精度ꎬ更具备发展潜力ꎮ关键词:可压缩多介质问题ꎻ虚拟流体方法ꎻ两气体Riemann问题ꎻ神经网络㊀㊀㊀收稿日期:2023 ̄09 ̄26ꎻ修回日期:2023 ̄12 ̄19基金项目:国家自然科学基金(11872351)第一作者简介:刘子岩(1998 )㊀男ꎬ博士ꎬ主要研究方向为机器学习在可压缩多介质流问题中的应用ꎮE ̄mail:lzy210@buaa.edu.cn通信作者简介:许亮(1982 )㊀男ꎬ研究员ꎬ主要研究方向为可压缩多介质流模拟方法㊁CFD中机器学习建模方法等ꎮ中图分类号:O359㊀㊀文献标志码:AAbstract:Thepracticalghostfluidmethod(PGFM)utilizesvelocitysolutionsofRiemannproblemstomodeltheinterfaceevolutionofcompressiblemulti ̄materialflows.Thispaperpresentedasimplifiedneuralnetworkmodelfortwo ̄gasflowsbypredictingthevelocitysolutionofRiemannproblembasedontheneuralnetworkmodelembeddedwithphysicalconstraints.Firstlyꎬamethodforconvertingthesamplingrangeoftheneuralnetworkmodelfromunboundeddomaintoboundeddomainwasproposedꎬwhichholdstruefortheperfectgasequationofstate.Itcanimprovethegeneralizationperformanceofthemodelunderdifferentinitialconditions.Basedonthistransformationmethodꎬasimplerneuralnetworkstructurewasfurtherproposed.Thetrainingresultoftheneuralnetworkcanbeeffectivelyimprovedbyreducingtheinputdimensionsfrom5to3.TheneuralnetworkmodelwasappliedtothePGFM.Numericalvalidationoftheneuralnetworkmodelwascarriedoutthroughtypicalone ̄dimensionalandtwo ̄dimensionalgasflowproblems.Theresultsshowthatthesimplifiednetworkmodelcanachievesimilarcomputationalaccuracycomparedwithexistingneuralnetworkmodels.Intermsoftrainingefficiencyofneuralnetworksꎬthesimplifiedneuralnetworkhasobviousadvantages.Moreoverꎬbecausethesimplifiedneuralnetworkhasfewersamplingdimensionsꎬitisconvenienttotrydensersamplingtoimprovefittingaccuracyandsuchmethodhasmoredevelopmentpotential.Keywords:compressiblemulti ̄materialflowsꎻghostfluidmethodꎻtwo ̄gasRiemannproblemꎻneuralnetwork气体物理2024年㊀第9卷引㊀言数值模拟可压缩多介质流体动力学问题在航空航天㊁武器物理㊁生物医疗等前沿领域具有大量应用需求[1]ꎮ清晰准确地模拟界面运动及变形是这类问题关注的重点ꎮ处理物质界面的一类方案为锐利界面方法ꎬ即把界面视作零厚度界面ꎬ这种方案须时刻捕捉界面位置并定义非线性波与界面发生作用而产生的边界条件ꎮ捕捉界面位置常用的方法有界面追踪法[2]和水平集(levelset)方法[3]等ꎬ定义边界条件的方法有切割网格法[4]和虚拟流体方法等ꎮ虚拟流体方法有着诸多版本ꎬ其中Liu等[5]提出的修正虚拟流体方法(modifiedghostfluidmethodꎬMGFM)通过求解界面附近多介质Riemann问题来预测界面状态ꎬ并以此定义虚拟流体状态ꎮ许亮等[6]提出了实用虚拟流体方法ꎬ借助多介质Riemann问题的速度解ꎬ并结合界面另一侧的流场状态可以准确定义虚拟流体状态ꎮ由于充分考虑波与物质界面的相互作用和介质性质对界面运动的影响ꎬ这两种方法已被证明适用于各种强间断气-气㊁气-液㊁流-固等挑战性多介质流动难题[7]ꎮ使用基于Riemann解的虚拟流体方法在定义虚拟流体状态时ꎬ须迭代求解非线性方程ꎮ多介质Riemann问题近似求解可以分成隐式和显式两类方法[8]ꎮ虚拟流体方法中常用的基于双激波结构的隐式近似Riemann解[5]也包含迭代过程ꎮXu等[8]发展了2种不含迭代的显式近似Riemann解ꎬ计算效率高ꎬ但是只适用于刚性气体状态方程ꎮ传统方法求解多介质Riemann问题应对不同的状态方程须进行特定的数学推导ꎮ当问题比较复杂时ꎬ通常会涉及繁琐的计算过程ꎮ比如ꎬ对于含热完全气体的多介质流动问题ꎬ在压力的每一步迭代求解过程中也包含了温度的迭代解[8]ꎮ如果考虑黏性㊁表面张力㊁相变㊁化学反应等影响因素ꎬ那么物质界面求解迭代过程可能更加复杂ꎬ这就对稳定性提出很高要求ꎮ因此ꎬ有必要尝试借助新兴的机器学习方法替代传统的Riemann解算器ꎬ对降低建模难度以及提高计算稳定性等方面进行探索ꎮ机器学习方法近年来被广泛应用于各种研究领域中[9]ꎬ尤其常见于求解偏微分方程的过程中替代复杂的计算ꎬ并取得了较好的效果[10ꎬ11]ꎮFeng等[12ꎬ13]使用神经网络构造了智能激波指示器ꎬ应用于格式设计ꎬ并给出了机器学习模型的合理性解释ꎮ同时ꎬ研究者们也尝试加入一些约束条件以使得结果更加符合流动物理ꎮ丘润荻等[14]在相场法中引入含物理约束的神经网络ꎬ用于求解RT不稳定性问题ꎬ明显提高了计算效率ꎮMagiera等[15]针对Riemann问题ꎬ首次提出嵌入物理约束的神经网络模型ꎬ使预测结果尽可能满足Rankine ̄Hugoniot间断条件ꎮ基于该方法ꎬWang等[16]针对跨临界流的Riemann问题ꎬ分析了具有不同输入与输出形式的神经网络架构ꎬ提出了兼顾计算效率及计算精度的网络构造方法ꎮRuggeri等[17]将Riemann解的神经网络模型推广到真实气体ꎬ比精确Riemann解具有更高的计算效率ꎮ但是ꎬ由于关注的网络输出维度较多ꎬ这些文献所使用的神经网络结构仍较复杂ꎮ本人在文献[9]中提出了多介质Riemann问题速度解的神经网络模型ꎬ通过构建物理约束层的方式考虑流场间断关系ꎬ简化网络规模ꎬ成功应用于PGFM框架求解多介质流动问题ꎮ本文将进一步提出应用于两气体Riemann问题的神经网络标准化映射方法ꎬ构造针对输入特征的神经网络结构优化方式ꎬ能够提高网络的训练效果及应用价值ꎮ1㊀问题描述与求解方法1.1㊀流体控制方程与状态方程研究模型设定为可压缩无黏流动模型ꎬ其二维形式Euler守恒方程组为∂U∂t+∂F∂x+∂G∂y=0(1)式中ꎬU=[ρꎬρuꎬρvꎬE]T代表守恒变量ꎬF=[ρuꎬρu2+pꎬρuvꎬ(E+p)u]TꎬG=[ρvꎬρuvꎬρv2+pꎬ(E+p)v]T均为守恒通量ꎮρꎬpꎬu分别是流体的密度ꎬ压力以及速度ꎬE是流体总能量ꎬE=ρe+ρu2/2ꎮe是单位质量流体的内能ꎮ上述方程组的封闭还须补充一个状态方程ꎮ本文目前的工作只涉及由完全气体状态方程p=(γ-1)ρe(2)描述的可压缩两气体流动问题ꎮ式中ꎬγ表示气体比热比ꎮ1.2㊀虚拟流体方法在虚拟流体方法中ꎬ把物质界面看成内边界ꎮ一般每种介质取界面附近3~5个网格点的区域作43第2期刘子岩ꎬ等:可压缩两气体流动的简化神经网络模型为虚拟流体区域ꎬ虚拟流体层数由计算采用的数值格式决定ꎮ该区域内的虚拟流体状态作为内边界条件来定义ꎮ这样可以将多介质界面问题转化成多个单介质问题来模拟ꎮ原则上ꎬ只要这些虚拟流体状态定义准确ꎬ任何高分辨率计算格式可以直接使用ꎬ不需要在界面附近特殊处理ꎮ本文使用水平集方法捕捉界面运动ꎬ使用PG ̄FM[7]定义不同流体的界面条件ꎬPGFM的原理如图1所示ꎮ对比MGFM[5]须使用3个界面自由度定义虚拟流体状态ꎬPGFM仅借助1个界面速度就可以计算出虚拟流体速度ꎬ虚拟流体的压力和密度通过镜像对称得到ꎮ这种区别意味着当采用神经网络对流场界面条件建模时ꎬ在PGFM的框架下仅关注界面速度这一个物理量ꎬ神经网络的输入和输出更加简洁ꎬ并能因此取得更好的训练效果ꎮ图1㊀PGFM定义虚拟流体状态的示意图[7]Fig.1㊀IllustrationofthePGFMfordefiningghostfluidstates[7]为抑制界面附近的非物理解ꎬ界面附近和虚拟流体的密度也可以通过某些校正技术[7]获得ꎮ1.3㊀多介质Riemann问题的速度解在多维问题中ꎬ虚拟流体方法首先须沿界面法向构造并求解多介质Riemann问题ꎮ一维形式的初始值间断Riemann问题为∂U∂t+∂F∂x=0ꎬU|t=0=ULꎬx<xIURꎬx>xI{(3)其中ꎬU=[ρꎬρuꎬE]TꎬF=[ρuꎬρu2+pꎬ(E+p)u]TꎬUL和UR是界面法向上由位于xI处的物质界面分开的两个常值状态ꎮ下标I㊁L和R分别表示界面㊁左侧和右侧ꎮ对多介质Riemann问题(3)ꎬ须求解下面的非线性系统uL-uI=fL(pI)uI-uR=fR(pI){(4)其中函数f的具体形式为[6]fH(p)=f(pIꎬpHꎬρH)=(p-pH)/(p-pH)ρHρρ-ρHꎬp>pHʏppH1ρdρdpdpꎬpɤpHìîíïïïïïï(5)式中ꎬH=L或Rꎬρ和p的关系由状态方程确定ꎮ由uI=12(fR-fL)+12(uL+uR)(6)求出界面速度解uIꎬ然后按照图1中PGFM方式确定虚拟流体状态U∗R和U∗Lꎮ这样ꎬ每个时间步在界面处只需求解如下两个带虚拟流体状态的单介质Riemann问题∂U∂t+∂F∂x=0ꎬU|t=0=ULꎬx<x0U∗Rꎬx>x0{(7)∂U∂t+∂F∂x=0ꎬUt=0=U∗Lꎬx<x0URꎬx>x0{(8)这里上标∗表示虚拟流体状态ꎮ问题(7)的求解区域是从最左边的网格点一直跨过物质界面进入右边介质区的虚拟网格点ꎮ问题(8)的求解区域则是从左边的虚拟网格点跨过物质界面一直到最右边的网格点ꎮ2㊀神经网络模型建立及优化2.1㊀嵌入物理约束的神经网络模型神经网络的输入和输出须根据具体问题确定ꎮPGFM定义虚拟流体状态只需利用多介质Riemann问题界面速度解uIꎬ而根据界面速度uI的求解流程(4)~(6)ꎬ神经网络的输入特征可选择为{pLꎬρLꎬpRꎬρRꎬΔu}共5个量ꎬ神经网络输出特征为函数(5)fL和fR的逼近值φL和φRꎮ最终根据神经网络预测结果和式(6)计算得到uIꎮ为了使神经网络学习结果更符合流动物理要求ꎬ根据流场间断关系构建了物理约束条件φL+φR+Δu=0(9)通过构建物理约束层的方式将式(9)嵌入神经网络ꎬ具体操作方法为:将神经网络两个输出φL和φR改写成φL和-Δu-φLꎬ神经网络模型的输出层只需要一个输出量φLꎮ但神经网络训练样本的标签仍为两个量ꎬ由φL和-Δu-φL物理约束层参与训练ꎮ这种方式能严格满足式(9)的流场间断关53气体物理2024年㊀第9卷系ꎮ考虑物理约束的神经网络原理如图2所示ꎮ图2㊀考虑物理约束的人工神经网络示意图Fig.2㊀Illustrationoftheartificialneuralnetworkwithphysicalconstraints本部分工作已在文献[9]中完成ꎬ具体实现方法和神经网络的基本原理参考文献[9]ꎮ2.2㊀神经网络标准化映射及网络结构简化神经网络代理模型的使用范围应尽量在训练样本采样范围内以保证模型的预测效果ꎮ注意到PGFM的神经网络模型的5个输入量都是无界的ꎮ本质上ꎬ流体的压力和密度取值范围为(0ꎬ+ɕ)ꎬ界面两侧流体的速度差Du取值范围为(-ɕꎬ+ɕ)ꎮ为了提高神经网络模型的训练效果ꎬ通过预处理的方法将采样范围从无界域映射到有界域ꎮ基于Ri ̄emann速度解的求解方法可以获得标准化映射方法依赖紧密的一个性质[18]ꎮ对于完全气体状态方程(2)ꎬ如果界面两侧流体的压力㊁密度经过以下变换p-=pp0ꎬρ-=ρρ0那么界面速度uI的表达式将被改写成uI=12[f(p-Iꎬp-Rꎬρ-R)-f(p-Iꎬp-Lꎬρ-L)]p0ρ0+12(uL+uR)(10)其中ꎬp0ꎬρ0为任意大于零的参考压力和参考密度ꎮ为简化网络结构的输入输出关系ꎬ提高神经网络训练效果ꎬ降低采样难度ꎬ考虑将参考压力和参考密度设置为左右两侧压力㊁密度的较大值ꎬ即p0=max(pLꎬpR)ꎬρ0=max(ρLꎬρR)显然有0<pminp0ɤ1ꎬpmaxp0=1ꎻ0<ρminρ0ɤ1ꎬρmaxρ0=1(11)经过这样处理ꎬ5个输入特征中的2个特征确定为1ꎬ采样及训练时只须考虑其他3个不为1的输入特征ꎬ达到了简化网络结构的目的ꎮ值得注意的是ꎬ本方法研究对象为两气体问题ꎬ界面两侧流体的不同导致不能通过训练一个神经网络解决该问题ꎮ根据流体左右压力㊁密度的大小关系ꎬ共计有4种情况ꎬ须对应训练4个神经网络代理模型并综合使用ꎬ见表1ꎮ简化的神经网络标准化原理如图3ꎬ该图以pL<pRꎬρLȡρR的情况为例ꎬ神经网络选用2号神经网络ꎮ表1㊀各神经网络代理模型Table1㊀VariousneuralnetworkmodelsNo.relationofprelationofρneuralnetworkinputs1pL<pRρL<ρR{p-Lꎬρ-LꎬΔu-}2pL<pRρLȡρR{p-Lꎬρ-RꎬΔu-}3pLȡpRρLȡρR{p-Rꎬρ-RꎬΔu-}4pLȡpRρL<ρR{p-Rꎬρ-LꎬΔu-}图3㊀简化神经网络标准化原理示意图Fig.3㊀Illustrationoftheneuralnetworkaftersimplification因为每次计算都只会用到其中一个神经网络代理模型ꎬ相比于之前工作的神经网络模型[9]ꎬ简化后的神经网络模型降低了建模复杂度ꎬ同时也减小了计算量ꎬ可以提高计算效率ꎮ另外ꎬ根据前文介绍的性质ꎬ神经网络的输入经过了标准化映射ꎬ输出值也会变成标准化后的结果φ-L和φ-Rꎬ其中φ-R=-Δu--φ-LꎬΔu-=Δu/p0ρ0ꎬ为标准化后的速度差ꎮ须经过一个逆向映射得到φL63第2期刘子岩ꎬ等:可压缩两气体流动的简化神经网络模型和φRꎬ表达式为φL=u0φ-LꎬφR=u0φ-R(12)uI即可根据式(13)求出uI=12(φR-φL)+12(uL+uR)(13)2.3㊀训练样本生成神经网络模型的训练集通过一维多介质Riemann精确解算器生成ꎬ即求解非线性系统(4)ꎮ一般根据状态方程的具体表达形式ꎬ通过迭代方法获得界面压力解pIꎬ再根据函数fH(p)表达形式(5)获得神经网络的样本标签fL和fRꎮ对于本文关注的完全气体状态方程(2)ꎬ其压力迭代方式和求解流程可以参考文献[19]ꎮ采样范围根据2.2节的标准化映射方式而定ꎬ由式(11)ꎬ界面两侧流体压力的较大值映射为1ꎬ较小值映射为一个大于0㊁小于等于1的值ꎻ界面两侧流体密度的较大值映射为1ꎬ较小值映射为一个大于0㊁小于等于1的值ꎮ所以只需对压力㊁密度的较小值进行采样ꎮ本文采用均匀采样的方式ꎬ界面两侧流体的压力㊁密度的较小值在(0ꎬ1]的范围内各取11个点ꎮ标准化后的速度差Δu-与p0和ρ0的选取相关ꎬ无法映射到一个具体的有界范围内ꎬ因此需要选定一个较为合理的范围ꎮ在实际工况下ꎬ压力p0通常在105Pa的量级上ꎬ密度ρ0在1kg/m3的量级上ꎮ如果速度差的采样范围取在[-10ꎬ10]ꎬ即可覆盖[-3000m/sꎬ3000m/s]的范围ꎬ这能满足绝大部分实际工况的需求ꎮ所以速度差在[-10ꎬ10]的范围内取21个点ꎮ对样本数据的初始条件精确求解Riemann问题ꎬ并根据压力正项条件(Δu)critʉ2cLγL-1+2cRγR-1>Δu(14)去除其中的非物理解ꎬ将结果依次输出ꎬ即可得到训练神经网络需要的样本集ꎮ其中ꎬ(Δu)crit表示临界的速度差ꎬcL和cR表示左右声速ꎮ减少神经网络输入维度带来的最直接的好处是大幅压缩了样本量ꎮ简化前的网络结构共有5个输入量ꎬ在忽略非物理解数量的情况下共计11ˑ11ˑ11ˑ11ˑ21=307461个样本ꎮ而3个输入量的神经网络要达到同样的采样密度ꎬ只需要使用11ˑ11ˑ21=2541个样本ꎮ同时ꎬ简化的神经网络拟合难度更低ꎬ这将大大减少神经网络的训练耗时ꎬ提升该方法的应用价值ꎮ神经网络的训练优势及计算效果将在2.4节算例应用部分进行展示ꎮ2.4㊀神经网络模型的应用方式4个神经网络完成训练后将其相关参数输出ꎬ以数学表达式的形式编制成程序模块嵌入到PGFM计算框架中[9]ꎬ即可直接应用ꎮ对于某个具体的两气体Riemann问题ꎬ首先判断界面左侧的压力㊁密度大小关系ꎬ标准化后应用对应神经网络代理模型ꎬ计算得到φL和φRꎮ而后求解出界面速度uIꎬ即可通过PGFM定义虚拟流体状态ꎮ类似于反射边界条件ꎬ对于一维问题ꎬ定义界面左侧流场的虚拟流体状态为p∗=pR㊀ρ∗=ρR㊀u∗=2uI-uR(15)定义界面右侧流场的虚拟流体状态为p∗=pL㊀ρ∗=ρL㊀u∗=2uI-uL(16)上标∗表示虚拟节点处的状态量ꎮ对于多维问题ꎬ需要根据PGFM的原理ꎬ将预测的界面法向速度与已知的切向速度合成ꎬ构造虚拟流体速度分量ꎬ保持密度和压力的定义不变ꎮ定义界面左侧流场的虚拟流体状态为p∗L=pRꎬρ∗L=ρRꎬV∗L=VR+2(unꎬI-unꎬR)n(17)定义界面右侧流场的虚拟流体状态为p∗R=pLꎬρ∗R=ρLꎬV∗R=VL+2(unꎬI-unꎬL)n(18)这里的下标n表示界面法线方向ꎮ3㊀算例验证3.1㊀训练误差收敛效果本算例通过对比神经网络训练过程中误差的收敛速度和精度体现简化的神经网络结构的优势ꎮ假设左侧气体为空气(γL=1.4)ꎬ右侧气体为氦气(γR=1.667)ꎮ通过对比实验发现ꎬ神经网络隐含层层数为2ꎬ即可取得不错的拟合效果ꎮ为表述方便ꎬ本文使用M1 ̄M2 ̄M3 ̄M4的形式表示神经网络模型的规模ꎬ例如5 ̄10 ̄10 ̄2表示的是该神经网络模型输入量为5ꎬ输出量为2ꎬ含2个隐含层ꎬ每个隐含层各包含10个节点ꎮ本文中所有训练均采用PyTorch神经网络框架ꎬ优化过程使用adam优化器ꎮ73气体物理2024年㊀第9卷图4分别给出了隐含层包含5个节点的神经网络模型和包含40个节点的神经网络模型的两种网络结构训练效果对比ꎮ因为两种网络结构的训练集规模不同且相差较大ꎬ所以收敛对比图的横轴选为训练批量(batch)数而不是训练周期(epoch)数ꎻ纵轴loss为神经网络预测值与标签值的均方误差ꎮ具体计算式为LMSE=1Nð y-Fθ(x) 2(19)其中ꎬθ={wlꎬbl}Kl=1为神经网络各层权重和偏置参数ꎬFθ(x)为神经网络预测结果ꎬy为标签值ꎬN表示每个训练批量的样本个数ꎮ训练过程中学习率设定为0.0002ꎮ从图中结果可以反映出ꎬ3个输入量的神经网络模型在收敛速度上存在明显优势ꎮ5个输入量的神经网络模型也能达到同样的收敛精度ꎬ但是还需要花费相当多的训练步数ꎬ并且误差曲线依然存在明显的振荡ꎮ图中仅分别展示20000和5000个批量下的训练过程对比ꎮ(a)Neuralnetworkwith5nodesinthehiddenlayer(b)Neuralnetworkwith40nodesinthehiddenlayer图4㊀神经网络训练误差收敛图Fig.4㊀Convergenceofneuralnetworktrainingerrors采取同样的方式生成测试集来体现两种类型的神经网络代理模型计算效果ꎮ左侧流体的压力㊁密度在{0.25ꎬ0.45ꎬ0.65}中取值ꎬ速度在{-2.0ꎬ-0.5ꎬ1.0ꎬ2.5}中取值ꎻ右侧流体的压力㊁密度在{0.35ꎬ0.55ꎬ0.75}中取值ꎬ速度在{-2.5ꎬ-1.0ꎬ0.5ꎬ2.0}中取值ꎬ共计1296个测试样本ꎮ这些测试样本完全不同于训练样本ꎮ分别给出了两种类型的隐含层包含5个节点的神经网络模型和包含40个节点的神经网络模型在该测试集上的误差值ꎬ如图5所示ꎮ横坐标表示样本点编号ꎬ纵坐标表示网络预测值与精确解的绝对误差ꎮ(a)Neuralnetworkwith5nodesinthehiddenlayer(b)Neuralnetworkwith40nodesinthehiddenlayer图5㊀网络预测值与精确解绝对误差对比图Fig.5㊀Absoluteerrorsbetweenexactandpredictedvelocities该结果初步表明ꎬ简化的神经网络模型的计算精度并没有因输入特征维度及样本量的减少而下降ꎬ并且每个隐含层包含40个节点的神经网络模型的测试误差基本都在1%以下ꎮ3.2㊀一维气-气问题本节共选取两个一维空气-氦气问题测试各版本神经网络模型的计算效果ꎬ两个算例因初始状态的不同而产生不同的波系结构ꎮ83第2期刘子岩ꎬ等:可压缩两气体流动的简化神经网络模型算例1的初始无量纲参数为x<0.5:(γLꎬuLꎬpLꎬρL)=(1.4ꎬ-1.0ꎬ1.0ꎬ1.0)x>0.5:(γRꎬuRꎬpRꎬρR)=(1.667ꎬ1.0ꎬ1.0ꎬ1.38){在本算例中ꎬ物质界面两侧各产生一个稀疏波ꎬ运算到0.15终止ꎮ算例2的初始无量纲参数为x<0.45:(γLꎬuLꎬpLꎬρL)=(1.4ꎬ-1.0ꎬ1.0ꎬ1.0)x>0.45:(γRꎬuRꎬpRꎬρR)=(1.667ꎬ1.0ꎬ10.0ꎬ1.0){在本算例中ꎬ物质界面左侧会产生一个激波ꎬ界面右侧会产生一个稀疏波ꎬ运算到0.08终止ꎮ分别采用基于隐式迭代的标准PGFM以及两种结构的神经网络代理模型的PGFM进行求解ꎬ在0<x<1的计算域内共划分1000个计算网格ꎮ空间离散使用5阶WENO格式ꎬ时间离散使用3阶Runge ̄Kutta格式ꎮ两个算例的速度㊁压力㊁密度计算结果对比分别见图6和图7ꎮ图中ImplicitRS表示隐式迭代求解Riemann问题的方法ꎬ从图中可以看出ꎬ除5 ̄5 ̄5 ̄2㊁5 ̄10 ̄10 ̄2与3 ̄5 ̄5 ̄2等含较少神经元的神经网络出现了相对大的误差外ꎬ其他各网络均能较好地拟合标准PGFM结果ꎬ3 ̄40 ̄40 ̄2神经网络的计算结果几乎与标准PGFM计算结果完全重合ꎮ(a)Velocity(b)Pressure(c)Density图6㊀算例1计算结果对比Fig.6㊀Comparisonofcalculationresultsforcase1(a)Velocity(b)Pressure(c)Density图7㊀算例2计算结果对比Fig.7㊀Comparisonofcalculationresultsforcase293气体物理2024年㊀第9卷将算例2的界面处流体压力㊁速度和密度的部分神经网络预测结果与Riemann问题精确解进行对比ꎬ对相对误差定量统计ꎬ如表2所示ꎮ根据定量分析结果ꎬ简化的网络模型的误差甚至更小ꎮ表2㊀算例2相对误差定量统计表Table2㊀Quantitativeresultsofrelativeerrorsincase2physicalquantitysolution5 ̄10 ̄10 ̄23 ̄10 ̄10 ̄25 ̄40 ̄40 ̄23 ̄40 ̄40 ̄2pIexactsolution2.61265predictedsolution2.696192.630792.602562.61361relativeerror3.198%0.694%0.386%0.037%uIexactsolution-1.88304predictedsolution-1.82254-1.87015-1.89035-1.88242relativeerror3.213%0.685%0.388%0.033%ρILexactsolution1.93621predictedsolution1.854021.912841.940861.92968relativeerror4.245%1.207%0.240%0.337%ρIRexactsolution0.44701predictedsolution0.453510.446260.443870.44501relativeerror1.454%0.168%0.702%0.447%可见在计算一维问题时ꎬ简化的神经网络模型也能够在训练效率和计算效率领先的情况下和5个输入特征的神经网络模型保持相近的计算精度ꎮ3.3㊀二维气-气问题本算例模拟左行激波(Mas=1.22)扫过氦气气泡的过程ꎬ计算域如图8所示ꎬ该算例常被用于测试计算格式的性能ꎬ相关研究可参考文献[20]ꎮ计算域上下边界采用反射边界条件ꎬ左右边界采用无反射边界条件ꎬ网格密度为651ˑ179ꎬCFL数设定为0.5ꎮ初始无量纲条件和状态方程相关参数为air(I):(γIꎬuIꎬvIꎬpIꎬρI)=(1.4ꎬ0.0ꎬ0.0ꎬ1.0ꎬ1.0)air(II):(γIIꎬuIIꎬvIIꎬpIIꎬρII)=(1.4ꎬ-0.394ꎬ0.0ꎬ1.5698ꎬ1.3764)heliumbubble(III):(γIIIꎬuIIIꎬvIIIꎬpIIIꎬρIII)=(1.667ꎬ0.0ꎬ0.0ꎬ1.0ꎬ0.138)ìîíïïïïïïïï图8㊀空气中激波扫过氦气泡算例的计算域(单位:mm)Fig.8㊀Computationaldomainofanairshockimpingingonaheliumbubble(unit:mm)使用嵌入物理约束的40 ̄40规模的神经网络模型对本算例进行计算ꎬ空间离散使用5阶WENO格式ꎬ时间离散使用3阶Runge ̄Kutta格式ꎮ同时ꎬ也给出基于隐式迭代的标准方法计算结果作为对比ꎮ图9给出3种方法在第731ꎬ1207ꎬ1604ꎬ3998时间步的流场结果ꎬ图9(a)为5 ̄40 ̄40 ̄2神经网络代理模型与基于隐式迭代的标准PGFM的对比纹影图ꎬ图9(b)为3 ̄40 ̄40 ̄2神经网络代理模型与基于隐式迭代的标准PGFM的对比纹影图ꎮ从图中可以看出ꎬ激波从右向左扫过氦气泡ꎬ氦气泡在激波的作用下被压缩变形ꎬ并形成向四周扩散的膨胀波ꎮ膨胀波在上下壁面发生反射后进一步与气泡作用ꎬ最终形成复杂的波系结构ꎮ(a)5 ̄40 ̄40 ̄2NN&implicitRS04第2期刘子岩ꎬ等:可压缩两气体流动的简化神经网络模型(b)3 ̄40 ̄40 ̄2NN&implicitRS图9㊀激波扫过氦气泡算例纹影对比图Fig.9㊀Comparisonoftheschlierenforanairshockimpingingonaheliumbubble分析两个对比图ꎬ两种结构的神经网络与标准PGFM方法相比ꎬ均能清晰地反映波系结构ꎬ并不会产生明显的误差ꎮ可见在应用于二维问题时ꎬ简化的神经网络也能取得与5个输入量的神经网络相同的计算效果ꎮ4㊀结论本文基于之前提出的嵌入物理约束的可压缩多介质流神经网络模型ꎬ给出一种两气体流动的神经网络模型简化方法ꎮ首先详细介绍了在完全气体状态方程下输入特征从无界集到有界集的标准化映射方法ꎬ可提高神经网络模型的泛化能力ꎮ基于该标准化方法ꎬ通过选取较大压力㊁密度值作为参考压力㊁密度ꎬ可将神经网络的输入量从5个减少到3个ꎮ经过算例验证证实该方法的计算效果与5个输入量的神经网络模型相当ꎬ但神经网络的训练效果得到很大提高ꎮ另外ꎬ因为网络结构的简单化ꎬ计算效率也会进一步提高ꎬ该方法更加具备进一步开发的潜力ꎮ值得注意的是ꎬ目前该工作基于提到的完全气体状态方程具备的性质ꎬ因此目前只适用于两气体界面问题ꎮ对于含有其他状态介质的问题ꎬ还须继续展开相关研究ꎮ参考文献(References)[1]㊀刘铁钢ꎬ许亮.模拟多介质界面问题的虚拟流体方法综述[J].气体物理ꎬ2019ꎬ4(2):1 ̄16.LiuTGꎬXuL.Areviewofghostfluidmethodsformulti ̄mediuminterfacesimulation[J].PhysicsofGasesꎬ2019ꎬ4(2):1 ̄16(inChinese).[2]KawakamiKꎬKitaYꎬYamamotoY.Front ̄trackingsimu ̄lationofthewettingbehaviorofanimpingingdropletusingarelaxedimpermeabilityconditionandageneralizedNavierboundarycondition[J].Computers&Fluidsꎬ2023ꎬ251:105739.[3]OsherSꎬSethianJA.Frontspropagatingwithcurvature ̄dependentspeed:algorithmsbasedonHamilton ̄Jacobiformulations[J].JournalofComputationalPhysicsꎬ1988ꎬ79(1):12 ̄49.[4]LiuTGꎬKhooBCꎬYeoKS.Thesimulationofcom ̄pressiblemulti ̄mediumflow.I.Anewmethodologywithtestapplicationsto1Dgas ̄gasandgas ̄watercases[J].Computers&Fluidsꎬ2001ꎬ30(3):291 ̄314.[5]LiuTGꎬKhooBCꎬYeoKS.Ghostfluidmethodforstrongshockimpactingonmaterialinterface[J].JournalofComputationalPhysicsꎬ2003ꎬ190(2):651 ̄681.[6]许亮ꎬ冯成亮ꎬ刘铁钢.虚拟流体方法的设计原则[J].计算物理ꎬ2016ꎬ33(6):671 ̄680.XuLꎬFengCLꎬLiuTG.Designprinciplesofghostfluidmethod[J].ChineseJournalofComputationalPhy ̄sicsꎬ2016ꎬ33(6):671 ̄680(inChinese).[7]XuLꎬFengCLꎬLiuTG.Practicaltechniquesinghostfluidmethodforcompressiblemulti ̄mediumflows[J].CommunicationsinComputationalPhysicsꎬ2016ꎬ20(3):619 ̄659.[8]XuLꎬYangWBꎬLiuTG.Aninterfacetreatmentfortwo ̄materialmulti ̄speciesflowsinvolvingthermallyperfectgaseswithchemicalreactions[J].JournalofComputationalPhysicsꎬ2022ꎬ448:110707.[9]刘子岩ꎬ许亮.嵌入物理约束的可压缩多介质流神经网络模型[J].计算物理ꎬ2023ꎬ40(6):761 ̄769.LiuZYꎬXuL.Neuralnetworkmodelsofcompressiblemulti ̄mediumflowsembeddedwithphysicalconstraints[J].ChineseJournalofComputationalPhysicsꎬ2023ꎬ40(6):761 ̄769(inChinese).[10]XuLꎬLiuTG.Explicitinterfacetreatmentsforcompres ̄siblegas ̄liquidsimulations[J].Computers&Fluidsꎬ2017ꎬ153:34 ̄48.[11]RayDꎬHesthavenJS.Anartificialneuralnetworkasatroubled ̄cellindicator[J].JournalofComputationalPhy ̄sicsꎬ2018ꎬ367:166 ̄191.[12]FengYWꎬLiuTGꎬWangK.Acharacteristic ̄featuredshockwaveindicatorforconservationlawsbasedontrain ̄inganartificialneuron[J].JournalofScientificCompu ̄tingꎬ2020ꎬ83(1):21.14气体物理2024年㊀第9卷[13]FengYWꎬLiuTG.Acharacteristic ̄featuredshockwaveindicatoronunstructuredgridsbasedontraininganartifi ̄cialneuron[J].JournalofComputationalPhysicsꎬ2021ꎬ443:110446.[14]丘润荻ꎬ王静竹ꎬ黄仁芳ꎬ等.改进的物理融合神经网络在瑞利 ̄泰勒不稳定性问题中的应用[J].力学学报ꎬ2022ꎬ54(8):2224 ̄2234.QiuRDꎬWangJZꎬHuangRFꎬetal.Theapplicationofmodifiedphysics ̄informedneuralnetworksinRayleigh ̄Taylorinstability[J].ChineseJournalofTheoreticalandAppliedMechanicsꎬ2022ꎬ54(8):2224 ̄2234(inChi ̄nese).[15]MagieraJꎬRayDꎬHesthavenJSꎬetal.Constraint ̄awareneuralnetworksforRiemannproblems[J].JournalofComputationalPhysicsꎬ2020ꎬ409:109345. [16]WangJCꎬHickeyJP.FluxNet:aphysics ̄informedlearning ̄basedRiemannsolverfortranscriticalflowswithnon ̄idealthermodynamics[J].ComputerMethodsinAp ̄pliedMechanicsandEngineeringꎬ2023ꎬ411:116070. [17]RuggeriMꎬRoyIꎬMueterthiesMJꎬetal.Neural ̄net ̄work ̄basedRiemannsolverforrealfluidsandhighexplo ̄sivesꎻapplicationtocomputationalfluiddynamics[J].PhysicsofFluidsꎬ2022ꎬ34(11):116121.[18]XuLꎬLiuZYꎬFengYWꎬetal.Physics ̄constrainedneuralnetworksasmulti ̄materialRiemannsolversforcompressibletwo ̄gassimulations[J].JournalofCompu ̄tationalScienceꎬ2024ꎬ78:102261.[19]ToroEF.Riemannsolversandnumericalmethodsforfluiddynamics:apracticalintroduction[M].3rded.Ber ̄linꎬHeidelberg:Springerꎬ2009:151 ̄162.[20]CoralicVꎬColoniusT.Finite ̄volumeWENOschemeforviscouscompressiblemulticomponentflows[J].JournalofComputationalPhysicsꎬ2014ꎬ274:95 ̄121.24。
粘弹性流体的数值模拟与应用研究
粘弹性流体的数值模拟与应用研究一、前言粘弹性流体作为重要的物质研究对象,具有许多独特的力学特性和广泛的应用领域。
其特性呈现出多尺度和多物理场耦合的特质,给其数值模拟带来了很大的挑战。
本文将介绍近年来该领域的研究进展和一些关键技术应用。
二、基本理论与模型粘弹性流体最早被描述为Maxwell模型,在该模型中,流体被认为是由独立的弹性元件和粘性元素组成的。
由于其在实际应用场景中的复杂性,研究者们又提出了一些更为精细的模型。
(1)Oldroyd模型Oldroyd模型是一种经典的粘弹性流体模型,它引入了两个矢量场来描述流体的运动。
这两个场分别表示流体的应力和滑移。
然而,由于其假设的流体结构存在缺陷,无法很好地描述部分实际应用场景。
(2)FENE-CR模型FENE-CR模型是另一种常用的模型,它能够更好地反映流体的拉伸力和回弹力。
该模型在很多领域有广泛的应用,但是它依然存在参数调节等问题。
三、数值模拟方法为了更好地研究粘弹性流体在不同环境下的行为,研究者们普遍采用数值模拟方法。
数值模拟方法包含了有限元方法、有限差分方法和有限体积方法等。
(1)有限元方法有限元方法是一种在物理意义上更加明确的方法,它通过把大网格分为多个子网格,并在每个网格中建立解析式的方法来模拟流体的行为。
该方法既可以高效地模拟复杂的流体行为,又可以考虑不同尺度上的效应,具有广泛的应用。
(2)有限体积方法有限体积方法是一种基于离散数学理论的方法,它可以在有限的时间和空间内对流体场进行数值求解。
该方法优化了数值计算和分数步算法,同时考虑了边界条件和粘性耗散等关键问题。
四、应用研究粘弹性流体作为重要的物质研究对象,在许多领域都得到了广泛的应用。
(1)化妆品工业化妆品工业是粘弹性流体的重要应用领域之一。
在化妆品的乳化、稳定及流动性等问题中,粘弹性流体起着重要的作用。
比如,在牙膏生产中,压缩机的设计和优化需要对粘弹性流体作出很多的理论分析和实验研究。
计算流体动力学中的数值模拟方法及其应用实例
计算流体动力学中的数值模拟方法及其应用实例计算流体动力学(Computational Fluid Dynamics,简称CFD)是一种利用数字计算方法进行流体力学运动模拟的科学方法。
近年来,随着计算机技术的不断提升,CFD得到了广泛的应用,已经成为了各个领域研究的一个重要工具。
本文将围绕着计算流体动力学的数值模拟方法及其应用实例进行探讨。
一、数值模拟方法数值模拟方法是计算流体动力学研究的基础。
在流体运动的数值模拟中,一般采用对流方程、连续方程、能量方程和状态方程等模型进行描述。
常用的数值解法有有限差分法、有限元法、边界元法、网格法、拉格朗日法和欧拉法等。
其中,欧拉法是一种传统的流体动力学数值模拟方法,主要用于计算不可压缩流动,采用的是守恒方程组。
与之相比,拉格朗日法则是以控制流体粒子运动轨迹的方式模拟流体动力学的方法,该方法在涡动、气泡运动和多相流等问题中具有很强的应用性。
此外,有限元法在流场解析锁定中应用较为广泛。
边界元法主要用于边界层解析,其计算量相对较少。
二、应用实例在实际工程应用中,CFD可以应用于电子、航空、汽车、船舶、机械、化工等众多领域。
下面举例说明CFD技术在研究中的应用情况:1. 天然气流动研究在天然气储运过程中,流动管道中内部发生的阻力、压降、弯曲等影响了流体流动的宏观特性,通过CFD的仿真分析,可以对管道内部流体运动状态进行精细分析,从而优化油气输送流程,减少输送成本。
2. 垃圾焚烧研究CFD可以应用于垃圾的焚烧研究,模拟焚烧过程中温度、氧气浓度等流体参数的变化,进而对SOX、NOX等劣质气体进行排放控制。
不仅可以保证环境友好生产,还能提高垃圾焚烧的能量利用效率。
3. 污水处理研究CFD可以模拟仿真污水处理系统设计,支持污水的流动、混合、投加药剂等处理过程的模拟和优化研究,有效提高了污水处理系统的处理效果,降低了生产成本。
4. 尾流流场研究CFD技术可以应用于船舶尾流流场分析,预测尾流的产生和传递,使得船舶尾流对下游船只的影响得到了有效的控制。
数值模拟在流体力学中的应用和局限
数值模拟在流体力学中的应用和局限随着计算机技术的发展和数值计算方法的不断改进,数值模拟在流体力学中的应用越来越广泛。
本文将探讨数值模拟在流体力学中的应用以及其局限性。
一、数值模拟在流体力学中的应用1. 流体流动模拟数值模拟可以通过计算流体的速度、压力、温度等物理量,模拟出流体在不同条件下的流动状态。
这对于了解流体的动力学行为、优化设计和预测流体行为具有重要意义。
例如,在航空航天领域,数值模拟可以帮助优化飞机的气动设计,提高飞机的性能和燃油效率。
2. 边界层分析边界层是指靠近流体表面的一层流体,其速度和压力分布受到表面黏性的影响。
数值模拟可以有效地模拟和分析边界层的流动行为,为流体力学研究提供基础。
在风力发电机翼型设计中,数值模拟可以帮助优化气动性能,减小阻力和风噪。
3. 空气动力学模拟数值模拟在空气动力学领域中的应用十分广泛。
它可以模拟飞机、火箭、汽车等物体在空气中的运动和受力情况。
通过数值模拟,可以预测物体的阻力、升力、气动稳定性等参数,为设计和改进提供有效的依据。
二、数值模拟在流体力学中的局限性1. 网格依赖性数值模拟在流体力学中的一个重要问题是网格依赖性。
在模拟过程中,流体区域通常被划分为离散的网格单元,但不同网格剖分会对结果产生影响。
当网格过于粗糙时,会导致模拟结果的精度下降;而网格过于细致时,计算成本会增加。
因此,如何选择合适的网格剖分是数值模拟研究中的一个挑战。
2. 涡流和湍流模拟数值模拟在涡流和湍流模拟方面仍存在一定的局限性。
湍流是流体中不稳定的、无规律的流动,具有较强的非线性和随机性。
由于湍流的复杂性,精确模拟湍流流动仍然是一个困难的问题。
目前,涡粘模型和雷诺平均湍流模型等方法的应用仍然无法完全满足湍流模拟的需求。
3. 数值误差数值模拟中难以避免的问题是数值误差。
数值计算中的舍入误差和离散化误差会对结果的精度产生影响。
此外,部分数值方法可能对特定问题不适用,从而导致结果的不准确性。
多孔紊动射流的数值模拟与实验研究进展_芦绮玲
多孔紊动射流的数值模拟与实验研究进展芦绮玲1,2,陈 刚1(11西安理工大学水利水电学院,陕西西安 710048;21山西省水利水电科学研究院,山西太原 030002)摘要:多孔射流作为流体运动的一种重要类型,在工程中具有非常广泛的用途。
由于多孔射流各股水流之间的卷吸和掺混的存在,增加了流场的复杂性。
长期以来研究人员从理论分析、实验测量和数值模拟方面对多孔紊动射流进行了大量的研究工作,目前已经认识了流场中的许多流动特性和流动机理。
从数值模拟和实验研究两个方面,比较分析了国内外多孔紊动射流的研究现状和研究结果,评述了不同湍流模型以及不同实验测量方法对紊动射流的预测能力,讨论了存在的问题并对该领域的研究方向进行了展望。
关 键 词:多孔紊动射流;湍流模型;数值模拟;实验研究;进展中图分类号:T V135;G 353111 文献标识码:A 文章编号:100126791(2008)0120137210收稿日期:2006212226基金项目:山西省科学技术厅科技攻关项目(041086)作者简介:芦绮玲(1965-),女,山西万荣人,教授级高级工程师,博士研究生,主要从事水力学、河流动力学等研究。
E 2mail :lu -qiling @1631com一股流体从几何尺寸远小于收纳流体所占空间尺寸的喷口流入收纳流体,并同其混合的流动状态,叫做射流。
多股射流则是指多个按一定的方式摆放的排泄口喷出流入周围另一流体域内运动的多股流体,最终混为一股流向下游。
多孔射流与单孔射流的主要区别是孔间射流喷出后在其相邻两股之间存在相互吸附效应,这一效应直接影响着流动的发生和发展,因此流场比单孔射流复杂得多。
作为流体运动的一种重要类型,多孔紊动射流的研究涉及到许多领域,对这一问题的研究具有相当高的理论和应用价值,而解决这些问题的关键,是要从理论上清楚地知道多孔紊动射流的结构以及多股射流之间是如何相互作用的。
下面针对国内外研究人员在研究多孔紊动射流问题中采用的一些数值模拟和实验研究方法和结果进行评述和分析。
数值模拟法在气体流动中的应用研究
数值模拟法在气体流动中的应用研究一、引言气体流动是工业制造、能源建设等领域的重要研究内容。
为预测和优化气体流动过程,数值模拟法已成为研究气体流动的重要手段之一。
本文将介绍数值模拟法在气体流动中的应用研究,并探讨数值模拟法的优势和不足之处。
二、数值模拟法数值模拟法是一种基于计算机技术和数学模型的数值计算方法。
该方法通过对一定数学模型进行离散化和数值计算,得到模型对应物理实验的数值解。
数值模拟法的优势在于可以在实验难以实现的情况下对物理系统进行预测和研究,以及可以对实验过程中的误差进行分析和修正。
数值模拟法的核心思想是将模型离散化为一定数量的网格点,并通过有限差分、有限元等数值计算方法对离散化后的模型进行计算。
数值模拟法的最终结果是标量量或向量场的数值解,它可以反映物理实验中的各种物理参数,例如压力、温度、速度等。
三、数值模拟法在气体流动中的应用研究3.1 气动力学仿真气动力学是流体力学的一个分支,主要研究空气中物体的运动和空气的流动。
在车辆、船舶等交通运输工具的设计中,气动力学是一个重要的研究方向。
利用数值模拟法,研究人员可以对气动力学进行仿真,为工程师提供交通工具设计的依据。
在气动力学仿真中,首先需要进行几何建模,对要仿真的物体进行几何描述。
然后,通过数值模拟法对空气的运动进行模拟和计算,得到压力、速度等物理参数的分布情况。
最后,对仿真结果进行分析和优化,为实际设计提供参考。
3.2 多相流数值模拟多相流是指在一定条件下,两种或两种以上物质同时流动的流体力学现象。
多相流研究的主要目的是研究在多相流动过程中的相互作用和物理现象。
利用数值模拟法研究多相流动可以为实际工程提供依据。
在多相流研究中,数值模拟法需要对在不同相之间传递的动能、质量、压力和热量进行分析。
在不同相之间存在复杂的相互作用,数值模拟法需要对不同相之间的相互作用进行建模,通过计算得到不同相之间的物理量分布和交换情况。
3.3 传热传质数值模拟传热传质是指物体内部或物体与周围环境之间的热传递、质量传递。
蒙特卡罗法对射流泵模型内部流场的数值模拟
蒙特卡罗法对射流泵模型内部流场的数值模拟随着科学技术的不断发展,人们对于流场研究的需求越来越高。
而数值模拟则成为现代科学研究中不可或缺的一部分。
本文将围绕“蒙特卡罗法对射流泵模型内部流场的数值模拟”这一主题展开讲解,带领小伙伴们一步一步深入了解相关知识。
第一步,了解射流泵模型的内部流场特性。
射流泵是利用高速流体的动能来传递压缩气体或输送液体的机械设备,其内部流场特性主要包括压力分布、速度分布、流线分布等。
这些特性对于射流泵的性能有着决定性的影响。
第二步,介绍蒙特卡罗法。
蒙特卡罗法是一种基于概率统计的数值模拟方法,其主要思想是利用多次重复采样的方法,通过统计得到随机事件的概率分布。
在流场模拟中,可以应用蒙特卡罗法模拟粒子在流场中的运动状态,进而得到流场的特性数据。
第三步,探索蒙特卡罗法在射流泵模型内部流场数值模拟中的应用。
通过对射流泵模型的内部流场进行数值模拟,我们可以得到流场中各个位置的速度、压力、流线等特性数据。
基于这些数据,可以对射流泵的性能进行准确的预报,也可以更加深入地了解流场特性。
第四步,总结蒙特卡罗法在射流泵模型内部流场数值模拟中的优势。
相较于传统的数值模拟方法,蒙特卡罗法具有计算量小、可靠性高、适用范围广等优点。
在射流泵模型内部流场数值模拟中应用蒙特卡罗法,可以更加准确地描述流场的特性,提高研究的精度和可信度。
综上所述,蒙特卡罗法对射流泵模型内部流场的数值模拟具有重要意义和应用价值。
通过深入理解射流泵模型内部流场特性,熟练掌握蒙特卡罗法的基本原理和计算流程,我们可以更加准确地预报射流泵的性能、优化流场设计、提高产品的质量和效率。
包含运动界面的爆炸流场数值模拟方法及其应用
包含运动界面的爆炸流场数值模拟方法及其应用凝聚态炸药的爆炸流场广泛存在于国防和国民经济建设的许多领域,典型的爆炸流场中存在三种不同形式的运动界面:炸药/爆轰产物与空气的界面、空气与可动物体的界面、爆轰产物/空气与水的界面,本文采用数值方法对这三类运动界面问题进行研究。
本文首先发展了一套动态混合网格的多组分流动数值模拟算法及软件,并以此作为研究工作的基础。
该软件在动态混合网格上求解任意拉格朗日-欧拉形式的积分型控制方程,空间离散采用AUSM+-up和HLLC格式以及Venkatakrishnan限制器,时间离散采用Runge-Kutta格式,具有时空二阶精度,可以处理一维/二维/三维及球、柱、轴对称问题。
计算方法不涉及特征矩阵的分解,适于计算各种形式的单流体/混合流体状态方程。
在动网格方面,采用弹簧近似和网格重构相结合的方法模拟运动边界,采用虚拟网格通气技术解决运动物体从接触到分离过程中网格拓扑变化的难题。
针对炸药/爆轰产物与空气的界面,采用流体混合型方法,提出了一种炸药/爆轰产物/空气的流体混合模型。
该模型中炸药及爆轰产物采用JWL状态方程,空气采用完全气体模型,在固相(炸药)与气相(爆轰产物、空气)间采用等压假设,且体积可加;气相间满足等温假设及分压定理。
该模型中混合流体的状态方程无需迭代求解,计算效率较高。
将该模型与点火-生长反应模型结合,可以有效处理炸药/爆轰产物与空气间界面的复杂运动问题。
数值模拟了空气中球形TNT装药的爆轰问题,计算得到了清晰的波系结构及流体界面,爆炸近区的峰值超压与实验符合较好。
研究了驱动管中爆轰波的传播过程,得到了典型的有限直径药柱中的二维爆轰波结构,获得了管壁及管底的压力加载曲线,为驱动管设计提供了重要参考;分析了不同的驱动管排布方式以及延长段长度对激波管性能的影响。
针对流体与可动物体间的动边界绕流问题,本文采用动网格跟踪运动边界,推导了ALE形式的流体控制方程,研究了动网格的几何守恒律,分析了不满足几何守恒律导致计算误差的原因,并提出了一种新的体积修正方法,可以消除网格运动引起的计算误差。
rGFM方法在流-固界面问题数值模拟中的应用
U = [ p , ] F( )=[up + ,E+ ) , p,u E , t y p ,u p ( P ] P为 密度 , 是 速度 , M P为压 力 , E为 单位体 积 的
总 能量 。 E =p p 2 e+ “/ 这里 e 单位质 量 的 内能 。 为 1 2 状态 方 程 . () 2
1i 2的压 力 、 ,+ 速度 和密度 分别 为 P,, 皿 这样 ,M 和P , 就给定 了流体 1的界 面边 界条件 。 同样 可 以定义 流
’
i I÷ f I J . r , ≥
≥
体 2的界面边界条件 , 这样 可以将多介质 问题的计
算 转化 为单 介质 问题 的计 算 J 。
第l 2卷
第1 0期 2 1 4月 0 2年
科
学
技
术
与
工
2 2 11 .1 r 01
17 ~ 1 1 (0 2 l—2 40 6 1 8 5 2 1 ) 0 2 6 —4
S in e T c n l g n n i e r g ce c e h oo y a d E g n ei n
解。数值结果表 明, 该方法可 以用于流一 固界面 的数值计算 , 面和 其它 间断计算准确。 界 关键词 r F 方法 GM 流 一固界面 Re n i n问题 ma A 中图法 分类 号 05 . 3 92; 文献标志码
在流 一固界 面 的数 值 计 算 中 , 由于 界 面两 边 的
P = ( )+ ( , , V ) () 1 、 () 4
1 方程
1 1 控 制方 程 .
一
维可压缩流体力学方程组为 :
a + a 戈 :0
式() , V 4 中 ∞( )和 s , ( 丁, )分 别 是 流 体 静 压 力
流体力学中的喷流模拟方法
流体力学中的喷流模拟方法引言流体力学是研究流体运动规律和流体力学性质的学科。
流体力学中的喷流模拟方法是一种通过数值计算模拟喷流运动和相关现象的技术。
喷流模拟可以应用于各种领域,包括航空航天、化工、能源等,对于理解和优化流体运动至关重要。
本文将介绍在流体力学中常用的喷流模拟方法及其应用。
一、拉格朗日法拉格朗日法是流体力学中常用的一种喷流模拟方法。
该方法将流体看作一系列粒子,跟踪这些粒子在流动中的运动状态。
通过求解粒子的运动方程,可以获得流体的速度场和其他属性。
拉格朗日法适用于描述流动过程中的高速和复杂运动。
拉格朗日法的一个重要应用是研究燃烧和喷雾过程。
例如,在发动机燃烧室中,燃料的喷射和燃烧是一个非常复杂的过程。
通过使用拉格朗日法,可以模拟燃料的喷射和燃烧过程,以预测燃烧效率和排放物生成等参数。
二、欧拉法欧拉法是流体力学中另一种常用的喷流模拟方法。
相比于拉格朗日法,欧拉法更适用于描述流体的大规模运动和宏观性质。
该方法将流体划分为小的控制体,并基于质量和动量守恒原理,通过数值计算求解流体的运动方程。
欧拉法在建模大规模流体运动时具有很大的优势。
例如,在天气预报中,气象学家可以使用欧拉法模拟大气运动,以预测气象现象如风、降雨等。
此外,欧拉法还可以应用于工程中的空气动力学研究,如飞机和汽车的气流分析,以优化外形设计和降低风阻。
三、计算流体力学计算流体力学(Computational Fluid Dynamics,CFD)是一种综合利用数值方法和计算机技术,模拟流体运动和相关现象的工程学科。
CFD融合了拉格朗日法和欧拉法的优势,通过数值计算求解流体运动的数学模型,以预测和分析流体的行为。
CFD在喷流模拟方法中占据重要地位。
通过使用CFD,工程师和科学家可以模拟和优化各种喷流过程,如燃料喷射、空气动力学和涡流控制等。
CFD方法可以基于一些实验数据或理论模型,更加准确地描述流体运动,并对流场中的各种参数进行分析。
CFD数值模拟技术及应用
CFD数值模拟技术及应用作者:丛峻, 王孟鸿, 骆云良作者单位:北京建筑工程学院,北京,1000441.学位论文王正茂油藏含砂流体渗流机理及流固耦合单井数值模拟研究2004本文根据出砂油井开采过程中流体渗流和砂粒产生、运移、沉降、堵塞与油井围岩弹塑性变形动态耦合的作用机理,提出了"含砂流体流固耦合渗流数值模拟"这一新概念,并首次对含砂流体流固耦合渗流理论及数值模拟方法进行了研究,取得了突破性成果,对于易出砂储层的开采具有重要的指导意义.本文在前人大量实验和理论分析成果的基础上,将渗流力学、岩石力学和弹塑性力学相结合,通过多学科综合研究,首次建立了一套新型的、完整的含砂流体流固耦合渗流单井数值模拟理论模型;探索出了实现含砂流体流固耦合渗流单井数值模拟的一系列配套技术和方法;研制了在微机上实现含砂流体流固耦合渗流单井数值模拟的软件,并通过实例分析验证了本文理论、方法及软件的正确性和有效性.在模型建立方面:本文通过多学科综合研究,创建了储层岩土骨架破坏准则和可动砂启动准则,为出砂油层流固耦合渗流单井数值模拟模型的建立打下坚实的基础.在此基础上,本文首次将流体中的可动砂作为流体中的一相进行研究,建立了流固耦合情况下流体和可动砂的运动方程以及骨架砂剥离本构方程、可动砂在孔隙表面和喉道沉降方程,并根据质量守恒原理建立了含砂流体流固耦合渗流三维四相单井黑油模型.然后根据油井围岩弹塑性变形的特点,建立了油井围岩弹塑性变形本构模型;并根据有效应力原理及平衡条件,建立了油井围岩弹塑性变形平衡微分方程.在物性参数动态模型方面,本文考虑了体积应变、骨架砂剥离、可动砂在孔隙表面和喉道沉积对物性参数的影响,建立了含砂流体流固耦合渗流单井数值模拟所需的物性参数动态模型.这些准则和模型的建立,构成了完整的含砂流体流固耦合渗流单井数值模拟模型.在模型求解方面:本文根据有限差分的基本原理,研究了用于含砂流体流固耦合渗流单井模型求解的有限差分方法;根据有限元的基本原理,研究了用于出砂流固耦合油井围岩弹塑性变形模型求解的有限元方法;根据含砂流体渗流模型差分求解和油井围岩弹塑性变形模型有限元求解的基本特点,研究了在两个模型间耦合求解的方法.在模拟器研制和实例分析方面:本文根据软件工程的基本要求,研制了含砂流体流固耦合渗流单井数值模拟器;通过该模拟器对实例进行了模拟计算,证实了本文理论模型、方法与模拟器的正确性和有效性.研究结果表明,储层中砂粒产生、运移、沉降、堵塞对流体渗流、岩土骨架变形有着明显影响,并最终影响油井的开采.因此,含砂流体流固耦合渗流单井数值模拟不仅具有很强的理论意义,而且对油井开采和油田开发具有重要的指导作用.2.期刊论文郝继光.姜毅.刘琦.HAO Ji-guang.JIANG Yi.LIU Qi导弹头部气动加热的流固耦合数值模拟-弹箭与制导学报2006,26(4)采用非定常数值模拟方法对某型号远程导弹头部气动加热问题进行了研究.提出了一种流固耦合的计算方法,在求解流体力学控制方程组的同时,求解流体与固体表面的热传递方程以及固体区域的能量方程.计算获得了各个时刻流场内的温度、压力、速度等参数的空间分布,同时得到了导弹头部固体区域及导弹内部的温度变化.研究表明,采用流固耦合方法对气动加热问题进行模拟,可以得到合理可用的弹表温度数据.3.学位论文文成杨双重介质气藏流固耦合数值模拟研究2005近年来,随着石油工业的发展以及解决复杂石油工程问题的需要,流固耦合研究在石油钻井、开采、开发领域显得越来越重要,并已受到人们的高度重视。
用改进的ghost fluid方法模拟强激波与界面的相互作用
用改进的ghost fluid方法模拟强激波与界面的相互作用陈荣三;盛万成
【期刊名称】《爆炸与冲击》
【年(卷),期】2008(028)002
【摘要】为了解决原来的ghost fluid方法在计算强激波和界面相互作用时界面附近出现的速度和压力振荡问题,对原来的ghost fluid方法进行了改进,通过在界面处构造Riemann问题并求出界面的压力和速度,ghost fluid流体的压力和速度分别用界面的压力和速度代替,ghost流体的密度通过熵常数外推得到.改进的ghost fluid保持了原来的ghost fluid的简单性,对一维强激波与气-气、气-液界面的相互作用问题以及射流问题进行了数值计算,得到了分辨率较高的计算结果.
【总页数】5页(P144-148)
【作者】陈荣三;盛万成
【作者单位】上海大学数学系,上海,200444;上海大学数学系,上海,200444
【正文语种】中文
【中图分类】O357.42
【相关文献】
1.基于虚拟流体方法数值模拟作用在水-弹性固体界面的强激波 [J], 史汝超;王光勇;黄瑞源;王有凯;李永池
2.利用高精度迎风紧致群速度控制法模拟激波与柱形界面相互作用 [J], 姚清河;陈耀钦;薛莉;朱庆勇
3.强激波与流-固界面相互作用的数值模拟 [J], 王春武
4.利用Ghost Fluid方法模拟激波与柱形界面相互作用 [J], 程军波;唐维军;李德元;傅德薰
5.运动激波和气水界面相互作用的数值模拟 [J], 曹乐;徐胜利
因版权原因,仅展示原文概要,查看原文内容请购买。
2-CFD数值模拟经典案例
CFD数值模拟—某厂房车间案例——索斯系统送风设计的经典案例以往对中央空调系统内气流组织的理解和室内空间速度场、温度场的设计,只停留在经验值和独立单元射流计算的高度,而现在有了CFD(Computational fluid Dynamics)-计算流体力学软件的简称,是专门用来进行流场分析、流场计算、流场预测的软件。
杜肯索斯与知名高校合作,建立了大空间气流组织实验室,并使用当前流行的CFD计算程序(GAMBIT EXCEED FLUENT),将先前的经验与现代计算机强大的迭代能力相结合(采用1.83GHZ双核处理器的计算机进行模拟,迭代次数3000-5000次,数据收敛一般需要数十小时)。
通过此软件的应用,可以显示并分析封闭空间中的流场;在较短的时间内能预测效果,并通过改变各种参数,使送风效果设计达到最佳。
同时将此设计在大空间气流组织实验室中模拟验证。
CFD的数值模拟能使我们更加深刻地理解问题产生的机理,为实验提供指导,节省实验所需的人力、物力和时间,并对实验结果的整理和规律的得出起到很好的指导作用。
在此,我们对某车间厂房内空气流场的CFD数值模拟应用作一案例介绍,具体如下:●案例环境该工程车间厂房生产精密器件,对工作区域的风速、温度有相当高的要求,同时还要求工作区外测能形成风幕,有效隔离工作台面两侧设备产生的气味和油污。
●CFD技术应用:传统的点式送风模式是根本不能实现这种在整个长达几十米的矩形工作台面上形成均匀的速度、温度场,并形成如此大的风幕。
这时,我们选择采用具有线式及立体面送风特点的纤维织物空气分布系统,同时采用CFD技术对该设计进行指导。
该设计关键在于:一、纤维材料渗透率的设计二、空气分布系统射流孔孔径和孔间距的设计三、整个系统风量、压力的匹配性设计对该厂房采用CFD模拟主要目的是验证在初步设计的基础上,密闭空间的气流组织情况,速度场、温度场、密度场、压力场的分布情况。
该项目设计由durkeesox技术中心完成,分别在5:30、6:30、8:30、3:30四个方向开0.5”孔(详细参照CAD图纸和计算书)。
用Ghost Fluid方法耦合流体和固体计算
用Ghost Fluid方法耦合流体和固体计算
伍应艳;张树道;廖振民;袁仙春
【期刊名称】《工程物理研究院科技年报》
【年(卷),期】2003(000)001
【摘要】在数值模拟中,欧拉方法适合计算大变形问题,但是物质界面的准确确定比较困难;拉氏方法计算采用物质网格,物质界面准确,但在大变形情况下,计算难以进行。
在武器物理中爆炸产物与金属相互作用问题中,既存在多物质问题又存在大变形问题:爆炸产物和气体变形较大,金属相对变形较小。
对于此类问题可以采用耦合拉氏欧拉方法(CEL):流场大变形区域采用欧拉方法计算,在小变形区域采用拉氏方法计算,充分利用拉氏和欧拉方法各自的优点。
【总页数】2页(P430-431)
【作者】伍应艳;张树道;廖振民;袁仙春
【作者单位】无
【正文语种】中文
【中图分类】O241.3
【相关文献】
1.低亚声速射弹垂直入水的流体与固体耦合数值计算研究 [J], 胡明勇;张志宏;刘巨斌;孟庆昌
2.基于多介质Riemann问题的流体-固体耦合数值方法及其在爆炸与冲击问题中的应用 [J], 姚成宝;付梅艳;韩峰;闫凯;雷雨
3.发射筒易碎前盖开盖过程的流体与固体耦合仿真方法 [J], 张宝振;王汉平;窦建中;
程梦文
4.高温流体与变物性固体耦合系统温度场及热变形的数值计算 [J], 郭小明;张辉
5.Ghost Fluid方法与双介质可压缩流动计算 [J], 张镭;袁礼
因版权原因,仅展示原文概要,查看原文内容请购买。
fluent射流边界条件 -回复
fluent射流边界条件-回复什么是射流边界条件?射流边界条件是在数值模拟或计算流体力学中,用于描述射流或喷流在边界处的行为和相互作用的一种边界条件。
射流是指流体从一个较小的出口进入到一个较大的开放区域,如涡轮喷气发动机的喷嘴。
射流边界条件的准确描述可以有效地预测和模拟射流的动态行为,从而对工程设计和科学研究产生重要的影响。
射流边界条件的类型:1. 固壁边界条件:在射流的出口处加上一个固体表面,通常是一块平面板,以模拟射流与固体的相互作用。
这种边界条件常用于射流的切压和推力分析,以及表面压力分布和冲击压力等参数的预测。
2. 自由边界条件:一些射流在边界处没有明确的固体表面,而是与周围的环境自由交互和扩散。
在这种情况下,常常使用自由边界条件来模拟射流与环境之间的相互作用,预测射流的扩散和混合效应。
3. 对称边界条件:有时候,射流的边界处呈现对称性,在这种情况下,可以使用对称边界条件来描述射流的对称特性。
例如,如果射流是关于某一轴对称的,则可以利用对称边界条件来简化计算模型,减少计算复杂性。
4. 入口边界条件:在数值模拟中,通常需要指定射流的入口条件,包括流体的速度、密度和温度等。
这些参数的准确设置对于模拟射流的动态行为至关重要。
射流边界条件的应用:射流边界条件被广泛应用于各个领域的研究和工程设计中。
例如,在航空航天工程中,射流边界条件可以用来研究喷气发动机的推力性能和表面压力分布,以及喷管内部流动的动态行为。
在能源工程中,射流边界条件可以用来研究燃气轮机燃烧室的燃烧特性和热工效率。
此外,射流边界条件还可以应用于环境科学、地质学、生物医学工程等领域。
例如,在环境科学中,射流边界条件可以用来研究水源地污染物的扩散和水流动力学特性。
在地质学中,射流边界条件可以用来模拟火山喷发和岩浆喷洒的流动行为。
总结:射流边界条件是数值模拟和计算流体力学中的重要概念,用于描述射流或喷流在边界处的行为和相互作用。
固壁边界条件、自由边界条件、对称边界条件和入口边界条件是常见的射流边界条件类型。
基于FLUENT的纵向风速促进雾化数值模拟分析
基于FLUENT的纵向风速促进雾化数值模拟分析为了更好地理解基于FLUENT的纵向风速对雾化过程的影响,我们将进行一项数值模拟分析。
在这个分析中,我们将主要关注纵向风速对雾化效果的影响,并探讨其原理和可能的机制。
首先,让我们明确一下什么是雾化过程。
雾化是将液体转变为小尺寸的颗粒或液滴的过程。
在现实世界中,雾化在许多领域都有广泛的应用,例如喷雾器、涂层技术和气溶胶研究等。
它的基本原理是通过将液体喷射成细小尺寸的颗粒来增大表面积,从而提高反应速度和传质效率。
在数值模拟中,我们使用FLUENT软件模拟雾化过程。
FLUENT是一款广泛应用于流体力学和传热问题的工程仿真软件,其计算方法基于有限体积法和RANS(雷诺平均Navier-Stokes方程)模型。
在进行数值模拟前,我们需要进行几个预处理步骤,包括网格生成、边界条件设置和物理模型选择等。
接下来,我们将构建一个基于FLUENT的雾化模型。
在这个模型中,我们将考虑一个垂直方向上的风速,这个风速将对雾化过程产生影响。
为了模拟这种影响,我们将在模型中设置适当的边界条件和物理模型参数。
当开始模拟时,FLUENT将根据设定的初始条件和边界条件计算流场的初始状态。
然后,它将根据Navier-Stokes方程和质量守恒方程等进行迭代计算,以获得流场的分布情况。
通过这些计算,我们可以得到雾化过程中液滴的尺寸和速度分布等关键参数。
在雾化过程中,纵向风速会对液滴的运动轨迹和分布产生影响。
当风速较小时,液滴的运动会受到较小的干扰,更容易形成均匀的液滴云。
而当风速较大时,液滴的运动会受到较大的干扰,更容易形成不均匀的液滴分布。
为了更详细地了解纵向风速对雾化效果的影响,我们可以通过改变风速的大小和方向来进行一系列的数值模拟实验。
这些实验将帮助我们确定最佳的风速条件,以获得最佳的雾化效果。
总之,基于FLUENT的纵向风速促进雾化数值模拟分析可以帮助我们更好地理解雾化过程以及纵向风速对雾化效果的影响。
基于VOF和浸入边界法的液舱晃荡的数值模拟
Numerical simulation of tank sloshing based on volume of fluid and immersed boundary methodA Dissertation Submitted for the Degree of MasterCandidate:Gong GuoyiSupervisor:Prof. Zhao ChengbiSouth China University of TechnologyGuangzhou, China分类号:O357.1 学校代号:10561 学号:201020107186华南理工大学硕士学位论文基于VOF和浸入边界法的液舱晃荡的数值模拟作者姓名:龚国毅指导教师姓名、职称:赵成璧副教授申请学位级别:硕士学科专业名称:船舶与海洋结构设计制造研究方向:新型船舶与海洋工程结构物研究与开发论文提交日期: 2013年6月3日论文答辩日期: 2013年 5 月 31 日学位授予单位:华南理工大学学位授予日期:年月日答辩委员会成员:主席:李德玉(研究员)委员:叶家玮(教授)吴建华(教授)赵成璧(副教授)刘畅(高工)摘要近年来,CFD数值模拟技术越来越流行并渐渐趋向成熟,目前这方面计算的软件也比较多,而本文选择直接编程求解Navier-Stokes方程,在原有数值模型基础上引入新的方法予以改进再模拟带有自由液面的液舱晃荡问题。
针对LNG液舱(棱形液舱)的晃荡问题,采用基于Volume of Fluid(VOF)方法和浸入边界法的粘性二相流模型对进行数值模拟。
粘性二相流模型采用一套控制方程进行处理。
整个计算区域为矩形,自由液面的跟踪和更新采用VOF方法,斜边边界的处理考虑用到浸入边界法,把边界以外的当成是固体,在对VOF中的体积分数F的处理时引入通度系数以适应斜边边界。
最后模拟得到液舱横荡的运动过程,对研究这一类型的晃荡运动具有参考价值。
流体力学领域的数值模拟和优化
流体力学领域的数值模拟和优化流体力学(Fluid Mechanics)是研究流体运动规律的科学,广泛应用于工程、地质、生物和物理学等领域。
在流体力学研究中,数值模拟和优化是两个重要的方向。
本文将探讨流体力学领域的数值模拟和优化的相关内容,旨在深入了解这一领域的发展和应用。
一、数值模拟在流体力学中的应用数值模拟是流体力学研究中的一种重要方法,通过计算机模拟的方式,对流体运动进行定量描述和预测。
数值模拟通常基于流体力学方程和物理模型,结合适当的离散化方法,将流体力学问题转化为数值问题。
常用的数值模拟方法包括有限差分法、有限元法和拉格朗日方法等。
在流体力学中的应用中,数值模拟可以用于预测流体的流动特性和力学行为。
例如,通过数值模拟可以研究飞行器在不同空气动力条件下的气动性能,预测飞行器的升力、阻力和产生的气动力等。
同样,数值模拟也可以用于研究水流的流动特性,分析河流、湖泊和海洋的水动力学过程,对水流的分布、速度和压力场等进行模拟和预测。
此外,数值模拟还可以应用于气候研究和天气预测中。
通过建立相应的数值模型,模拟大气运动和湍流过程,预测气象要素的变化趋势,为气象预报提供科学依据。
数值模拟的应用也扩展到了地质和生物等多个领域,如模拟地下水流动、岩石和土壤的力学行为,以及生物领域中的血液流动和细胞运动等。
二、数值模拟的优化方法数值模拟不仅可以用于预测流体力学问题,还可以通过优化方法对流体力学问题进行求解和改进。
数值模拟的优化方法通常包括优化算法和优化目标的确定。
在优化算法方面,常用的方法包括遗传算法、模拟退火算法、蚁群算法等。
这些算法通过对参数进行迭代优化,找到最优解或者接近最优解的解。
在流体力学中的应用中,例如在飞行器的气动设计中,可以通过调整飞行器的几何形状和气动面配置,以优化其空气动力性能。
另外,优化目标的确定也是数值模拟优化方法中的重要环节。
在流体力学中,优化目标通常有多个,如最小化阻力、最大化升力、优化能效等。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
资助项 目 公 益性 行业 ( 象) 气 专项 基金 ( Y G—
HY.0 8 6 2 2 o O 0 9)
作者简介 雷金贵 , , 师 , 男 讲 博士生 , 主要研究方 向 为数值计算 、 资料同化等.x 0 3 ou cm zt 1@sh .o S 1 南京信息工程大学 数理学院学院 , 南京 ,
剪切射流 ; 声学整流” “ 效应 ; 等压 装
配 法 ;“O eh aig”效 应 :Gh s Fud v re t n ot li
方 法
中图分类号 0 5 3 文 献标 志码 A
1vl e方法则是 由 Ohr ee St — se 等 提 出的多介质 流 间断 界 面追踪 技术 , 该 方法把 H mlnJcb方程组 的数 值解作 为多介质不 连续界 面的解 , a io— oi t a 并 与 G ot li hsFu d方法结合用于求解可压缩 多介质流数值模拟问题l . l 叫
动 的 活 塞驱 动 下 , 以产 生稳 定 的射 流 . 可 关 键 词
“ 学整流 ”现象是 Mig等 … 在 实验 室 中 用亥 姆霍 兹 共振 器 作 声 n 为振动 源观测 到 的 一 种用 振 动 产 生 流 动 的 现 象 , 即用 机 械 振 动或 者 声 波振 动来产 生流 动 的现 象 ,声学 整流 ” 应 以及 S i “ 效 mt h等 提 出 的 控 制剪 切射流 的 方法 揭 示 了利 用 机 械 方 法来 控 制 流 动 的 可 能性 , 开 辟 了利 用声学 及 机 械振 动 方 式 来 控 制 流 动 的新 领 域 . 如今 数 值 模 拟 成 为与数 学证 明 和物 理 实 验 同等 重 要 的研 究 手 段 , 在越 来 越 多 的 领 域 中发挥 着重要 作 用. 文则 用 数 值模 拟 方式 重 现 了 “ 学整 流 ” 本 声 效
文 章编 号 :647 7 ( 00 0 -260 17 -00 2 1 )30 1-5
Gh s Fud方 法 在 运 动边 界射 流 问题 ot li 数值模拟中的应 用
雷金 贵 赵 宁 闵锦忠 '
摘 要
0 引 言
I to ucin n r d to
把解决 多物质 流 问题 的 G ot li hs Fud 方 法应用到具有运动边界 的单物质 流的 数值模 拟 中去 , 结合 求 解界 面追踪 问题 的 L v1 e 法 , 出 了 有 效 求 解 运 动 ee St方 . 提 边 界 问题 的 虚 拟 流 体 算 法 , 数 值 模 拟 用 重现 了“ 声学整流 ” 应现 象, 效 并用等 压 装 配 法 解 决 了发 生在 流 体 和 活 塞 界 面 上 的 “ vret g 效 应 . 值 实 验 表 明 : O e an ” h i 数 水 平 管道的长度 和活塞 振动频 率是射 流形 成的关键 因素 , 值 实验 中如 果频 率 和 数 长度 设 置 合 理 , 理 想 气 体 在 做 简 谐 振 则
虚拟 流体算 法. 当多相 流 中的 物质 界 面上 产 生 激波 时 , 由于 同一 等压
线上流 体 的温度 和密 度 互 为倒 数 关 系 , 当流 体 ( 体 ) 度 有一 个 小 气 温 的误差 时 , 流体 ( 体 ) 气 密度 会产 生较 大 的误 差 , 即多相 流 中 的物质 界
生 , 详 细分析 了射 流产生 的原 因和 特征 . 并
著工大 大科学, , l 制 程 息程学 气学院 京 控 方 南
20 4 104 Go e nig e u t n v r n q ai s o
3 南京航 空航天大学 航空宇航学院, 南京 ,
2 0 11 06
考虑到气体粘性的作用是使气体运动的能量趋于耗散 , 而对 “ 整
曲未 垂 馐
学学 自 科 版,1,3:62 报: 然 学 20 () 12 0 2 2 -0
21 7
Ju a fN nigUnvri fnomai ce c n c nlg : aua S i c dtn,0 0,( : 62 0 or l aj iesyo fr tnS i ea dTehooy N trl ce eE io 2 1 2 3)21-2 n o n t I o n n i
2
细论述了射流问题中等压装配公式的构造方法 和条件 , 并将其应用 到运 动边 界射 流 问题 中去 , 克服 了活塞 与气 体交 界 面上 发 生 的“ vr O e- han ” 应. 值 实验 表 明在解 决 了运 动边 界 问题 和 “ vret g etg 效 i 数 O e an ” h i 问题 后 , 只要适 当调 整好 管道 的长 度 和活 塞振 动 的频 率 , 流 就能 产 射
本 文将 G ot li 法 应 用 到 “ 学 整 流 ” 应 的数 值 模 拟 中 h s Fud方 声 效
去 , 效地 消除 了运动边 界 对数 值 模 拟产 生 的 不利 影 响 , 有 结合 求解 界 面追踪 问题 的 Lvl e 方法 , ee— t S 构造 了求 解 运 动边 界 数 值模 拟 问题 的
面上会 发生一 种温 度与 密度分 离 的现象 , 这种 现 象就 是所 谓 的 “ vr O e — h a n ” 应. et g 效 i 目前有 效 克 服 “ vret g 效 应 的方 法 是 在物 质 界 面 O eh a n ” i
上进 行 等压装 配 , 目的是 在物质 界 面上构造 连 续 的熵 剖 面. 本文 详
应这 一有 着广 阔应用 前景 的物理 现象 . G ot li hs Fud方法是 F d i ek w等 用来求解多介质 流问题 而提 出的 , 被 广泛应用 到多介质 可 压缩流 的数值 模 拟 和界面处 理 中 ;e Yn等 将 G ot ud方法应 用 到不规 则 区域上 的变系数 Pi o 程 的求解 中. hsF i l o sn方 s