Questions tagged «fluid-dynamics»

运动中的流体和气体的特性研究

2
非结构化以单元为中心的FVM CFD代码有哪些良好的数据类型？
我对有关在非结构化基于单元格的有限体积CFD中进行单元格浏览的有效数据结构的建议感兴趣。 我遇到的一个示例（在dolfyn cfd代码中）如下（我将显示相关段） 因此，我们有一个NFaces数组，用于存储每个单元格的面数。然后，CFace数组将本地到单元的面部编号映射到全局面部编号。\begin{listing}do ip=1,Ncel ... do j=1,NFaces(ip) k = CFace(ip,j) ipp = Face(k)%cell1 inn = Face(k)%cell2 if( inn > 0 )then ! internal\end{listing}\begin{listing}do ip=1,Ncel ... do j=1,NFaces(ip) k = CFace(ip,j) ipp = Face(k)%cell1 inn = Face(k)%cell2 if( inn > 0 )then ! internal\end{listing}\begin{listing} do ip=1,Ncel ... do j=1,NFaces(ip) k …
3
有限体积法：非结构化网格与八叉树自适应+细胞切割
我正在使用使用任意非结构化网格的OpenFOAM C ++计算连续体力学库（它可以处理流固耦合，MHD流...）。这是由使用快速生成（通常是自动）非结构化网格的优点来模拟复杂几何体中的问题的想法所驱动的。 但是，最近我遇到了另一种方法：使用单元格“切割”的八叉树自适应笛卡尔网格，其中使用主动网格细化来描述复杂的几何形状。 从数字的角度来看，笛卡尔网格更准确，所以我的问题是：有没有人使用/实现这两种方法中的一种或两种？他们如何相互比较？ 我正在开发用于两相流体流动的代码，并且我注意到例如可以很容易地在笛卡尔网格上使场梯度的重建更加准确，而非结构化网格则需要线性回归以实现场的突然变化...
1
对于具有各向异性边界网格的不可压缩流，哪些空间离散化有效？
高雷诺数流产生非常薄的边界层。如果在“大涡流模拟”中使用了壁分辨率，则宽高比可能约为10610610^6。在这种情况下，许多方法变得不稳定，因为insup常数会随着长宽比的平方根或更差而降低。insup常数很重要，因为它会影响线性系统的条件数和离散解的逼近性质。尤其是，以下关于离散误差保持的先验界限（Brezzi和Fortin 1991） μ∥u−uh∥H1≤C[μβinfv∈V∥u−v∥H1+infq∈Q∥p−q∥L2]∥p−ph∥L2≤Cβ[μβinfv∈V∥u−v∥H1+infq∈Q∥p−q∥L2]μ‖u−uh‖H1≤C[μβinfv∈V‖u−v‖H1+infq∈Q‖p−q‖L2]‖p−ph‖L2≤Cβ[μβinfv∈V‖u−v‖H1+infq∈Q‖p−q‖L2]\begin{split} \mu \lVert {\mathbf u} - \mathbf u_h \rVert_{H^1} \le C \left[ \frac{\mu}{\beta} \inf_{\mathbf v \in \mathcal V} \lVert{\mathbf u - \mathbf v}\rVert_{H^1} + \inf_{q \in \mathcal Q} \lVert p-q \rVert_{L^2} \right] \\ \lVert{p - p_h}\rVert_{L^2} \le \frac{C}{\beta} \left[ \frac{\mu}{\beta} \inf_{\mathbf v \in \mathcal V} \lVert{\mathbf u - …
2
是否存在用于无矩阵方法的黑盒预处理器？
一般而言，Jacob-free牛顿-克雷洛夫（JFNK）方法和克雷洛夫方法非常有用，因为它们不需要显式存储或构造矩阵，而只需要矩阵向量乘积的结果即可。如果您确实形成了稀疏系统，那么这里有许多预处理器。 真正的无矩阵方法有哪些可用？谷歌搜索出现了一些对“矩阵估计”的引用，还有一些其他的事情表明它是可能的。这些方法通常如何起作用？它们与传统预处理器相比如何？基于物理学的无矩阵预处理器是路要走吗？有没有公​​开可用的方法，例如PETSc或其他软件包？
1
在Matlab中实现最佳运输翘曲
我正在实施“ 注册和翘曲的最佳大众运输 ”一文，我的目标是将其联机，因为我只是在网上找不到任何欧拉大众运输代码，这至少对于图像处理领域的研究界很有意义。 论文可以总结如下： - 使用沿x和y坐标的一维直方图匹配找到初始图 求解，其中u ^ \ perp代表逆时针旋转90度，\ triangle ^ {-1}表示具有Dirichlet边界条件（= 0）的泊松方程的解，和都是雅可比矩阵的行列式。 -保证了时间步长dt &lt;\ min | \ frac {1} {\ mu_0} \ nabla ^ \ perp \ triangle ^ {-1} div（u ^ \ perp）|的稳定性。uuuut=1μ0Du∇⊥△−1div(u⊥)ut=1μ0Du∇⊥△−1div(u⊥)u_t = \frac{1}{\mu_0} Du \nabla^\perp\triangle^{-1}div(u^\perp)u⊥u⊥u^\perp△−1△−1\triangle^{-1}DuDuDudt&lt;min|1μ0∇⊥△−1div(u⊥)|dt&lt;min|1μ0∇⊥△−1div(u⊥)|dt<\min|\frac{1}{\mu_0}\nabla^\perp\triangle^{-1}div(u^\perp)| 对于数值模拟（在常规网格上执行），他们表示使用matlab的poicalc求解泊松方程，他们使用空间有限导数的中心有限差分，但使用逆风方案计算的Du除外DuDuDu。 使用我的代码，映射的能量函数和卷曲适当减小了几次迭代（取决于时间步长，从几十到几千）。但是在那之后，模拟爆炸：能量增加，只需很少的迭代即可达到NAN。我尝试了几个阶数的微分和积分（可以在这里找到cumptrapz的高阶替换项）以及不同的插值方案，但是我总是遇到相同的问题（即使在非常平滑的图像上，各处也不为零等）。 有人会对我所面对的代码和/或理论问题感兴趣吗？代码很短。 具有调试功能的代码 登记功能 测试代码，前提是您要注册两张相同大小的图像 只是必要的功能，没有测试内容（&lt;100行） 请在最后用gradient（）替换gradient2（）。这是一个高阶梯度，但也不能解决问题。 我现在只对本文的最佳运输部分感兴趣，而不对附加的正则化术语感兴趣。 谢谢 …
3
可以使用可压缩流量求解器解决不可压缩流量吗？
我知道不可压缩和可压缩流动求解器是专门为解决具有不同流体特性/流动条件的不同类型问题而设计的。显然，使用不可压缩的流量求解器对不可压缩的流体进行建模的优点之一是可以忽略能量方程，从而减少了需要求解的变量和方程的数量。 但是，我很想知道可压缩流量求解器的极限精度，因为流体特性和流动条件趋于不可压缩。随着被建模的流体/流动变得越来越不可压缩，可压缩流动求解器是否会趋于失败？还是可压缩的流量求解器是否表现出与流体/流量的可压缩性无关的相同性能？ 我意识到这个问题有点宽泛，可能完全取决于所建模问题的特征。如果是这种情况，请帮助我了解在确定使用可压缩流量求解器的适用性时需要牢记的因素，否则使用不可压缩的流量求解器就足够了。
5
不可压缩流的定义
众所周知，不可压缩的流动实际上并不存在，它的引入是为了简化控制方程。我们不能简单地应用这个假设。通常，马赫数（不可压缩流的M &lt;0.3），密度变化（零密度变化）和速度的发散（对于不可压缩流等于零）是将流定义为不可压缩流的通用标准。观察到，在传热问题（例如自然对流）的情况下，密度会发生变化，这违反了最后两个条件。是否可以定义不可压缩的流动假设，其中还包括传热过程（意味着密度变化）？
1
流体模拟中的边界条件
我正在使用涡旋粒子/“涡旋”进行2D流体模拟，如《视频游戏的流体模拟》中所述。我认为与“离散涡旋法”相同。基本上，您用定义好的涡度的粒子集合来表示流体，并使用比奥特-萨伐定律（例如：，其中p2-p1是在样本点和vorton之间位置的差，瓦特是涡（在三维的矢量），和- [R是vorton和采样点之间的欧几里德距离） 。v=ω×(p2−p1)4πr3v=ω×(p2−p1)4πr3v = \frac{\omega \times (p_2-p_1)}{4\pi r^3}p2−p1p2−p1p_2-p_1wwwrrr 我试图在流体中引入一个盒子，让它来回移动并影响流体。这意味着要考虑盒子的防滑和不贯通边界条件。（也就是说，在盒子的边界处，相对流体速度为0）。 现在，我正在采样盒子和流体在盒子周围80个点的相对速度。我还在盒子周围放置了80个vorton，但向外偏移了一点。我形成一个大矩阵，并求解涡度所需的涡度值，以抵消采样点处的流体速度（使用线性最小二乘法）。 这几乎可行，但是我注意到，我得到的解决方案高度依赖于采样点和涡流的确切布局。 有时，我会得到交替旋转的方向不同的沃尔顿模式（蓝色点是逆时针旋转的沃尔顿，红色点是顺时针旋转的沃尔顿）： 其他时候，我将所有vorton放在框的左侧以一种方式旋转，而所有vorton则以另一种方式旋转，如该图所示： 我认为第二张照片是我真正想要的。我还认为这两种不同的解决方案意味着我正在使用的方程组太受约束。添加其他采样点有时会有所帮助，有时却没有帮助。 我是否可以添加其他边界条件以帮助我获得所需的结果？凭直觉，我没有采取任何措施来考虑在距包装盒一定距离处流体受到多大的干扰。我在想也许我可以添加边界层限制的条件。但是我不确定到底会是什么样。 另外，我是否可以参考任何相关文献来研究基于涡旋粒子的流体模拟如何处理这类边界条件？
2
微分形式与二阶有限体积法之间的联系
今天阅读有关微分形式理论的文章时，让我印象深刻的是它使我想起了二阶有限体积法（FVM）。 我正在努力弄清楚这种想法只是微不足道的还是存在更深层次的联系。 好吧，微分形式可以推广一些根深蒂固于二阶FVM的概念，例如通过表面的流体通量，而我们都涉及FVM中的通量。那么（斯托克斯的）积分定理是微分形式理论的中心对象之一。证明涉及在流形上整合微分形式，在流形上出现单纯形（三角形，四面体等）。实际上，歧管以我们代表平滑形状的方式进行细分，使用直边的单元格可以使流体通过。 这些只是一些类似的东西。事实是，关于微分形式的阅读使我无法停止思考FVM。 二阶有限体积法实际上代表微分形式理论的计算表现吗？
2
二维Euler方程
作为大学的一项作业，我做了一维模拟。问题陈述是要解决一维冲击管问题，其中涉及可压缩理想气体作为工作流体。对于这个问题，我使用Roe的Riemann求解器求解了Eulers方程组。我想知道，要解决2维或3维欧拉方程，我应该从哪里开始？我应该首先考虑哪个测试问题？（请不要建议商业求解器。我想编写自己的代码）只是在编写自己的代码时需要一些帮助。 以最实际的方式介绍2d问题的好的资源是什么？
1
为什么我们必须重新运行CFD求解器才能获得更高的雷诺数？
我开始从网站上提供的Cavity教程中学习OpenFOAM 。当尝试使用不同的雷诺数时，在“ 2.1.8.2运行代码”一节中，教程说要重新运行求解器，因为“增加求解时间很明智”。但是当我这样做时，我发现库兰特数低（0.2）和高（0.6）的腔内流量之间没有任何区别。 我如何知道是否需要重新运行模拟？
1
间断Galerkin方案中的CFL条件
我已经实施了ADER-间断Galerkin方案，用于解决以下类型的守恒律线性系统 ∂tU+A∂xU+B∂yU=0∂tU+A∂xU+B∂yU=0\partial_t U + A \partial_x U + B \partial_y U=0 并观察到CFL条件非常严格。在参考书目中，时间步长的上限Δt≤hd(2N+1)λmaxΔt≤hd(2N+1)λmax\Delta t \leq \frac{h}{d(2N+1)\lambda_{max}} 可以在哪里找到 hhh 是单元格的大小 ddd 是维数， NNN 是多项式的最大次数。 有什么办法可以避免这个问题？我一直在使用WENO-ADER有限音量方案，而CFL限制则更加宽松。例如，对于5阶方案，使用DG时必须将CFL设置为低于0.04，而CFL = 0.4仍可以在WENO-ADER FV方案中使用。 例如，为什么在计算航空气动（线性欧拉方程）或类似应用（气体动力学，浅水，磁流体动力学）中使用DG方案而不是ADER-FV？尽管时间步长低得多，但是该方案的总体计算成本是否与ADER-FV相似？ 欢迎对此提出意见和建议。
2
机器学习在计算流体动力学中的应用
背景： 对于一门课程，我仅为2d Navier-Stokes建立了一个可行的数值解决方案。这是盖子驱动型腔流动的解决方案。但是，本课程讨论了用于空间离散化和时间离散化的许多模式。我还参加了更多关于NS的符号操作课程。 处理解析/符号方程从PDE到有限差分的一些数值方法包括： 欧拉FTFS，FTCS，BTCS 松懈 中点跳蛙 Lax-Wendroff 麦克科马克 偏移网格（空间扩散允许信息传播） TVD 在我看来，当时这些似乎是“插入名称找到了一个方案并且它确实起作用了”。其中许多来自“大量硅”时代之前。它们都是近似值。在极限中。从理论上讲，导致了PDE。 虽然直接数值模拟（DNS）很有趣，而且雷诺平均Navier-Stokes（RANS）也很有趣，但它们是计算上易于理解并完全表示现象之间连续体的两个“端点”。内部存在多种方法。 我曾让CFD教授在演讲中说，大多数CFD求解器会绘制漂亮的图片，但是在大多数情况下，这些图片并不代表现实，要获得能够解决问题的求解器解决方案可能会非常艰巨且需要大量工作确实代表了现实。 开发的顺序（据我所知，并不详尽）是： 从控制方程开始-&gt; PDE的 确定您的空间和时间离散化-&gt;网格和FD规则 适用于包括初始条件和边界条件的领域 求解（矩阵求逆上有很多变化） 执行总体现实检查，以适合已知解决方案等。 根据分析结果建立一些更简单的物理模型 测试，分析和评估 迭代（跳回到步骤6、3或2） 想法： 我最近一直在使用CART模型，倾斜树，随机森林和渐变增强树。它们遵循更多的数学推导规则，而数学则驱动树的形状。他们努力使离散化的表格变得更好。 尽管这些人为创建的数值方法有些奏效，但仍需要大量的“伏都教”以将其结果与要建模的物理现象联系起来。通常，模拟并不能完全替代实际测试和验证。容易使用错误的参数，或者无法解决实际环境中几何形状或应用程序参数的变化。 问题： 是否有任何方法可以让问题的性质定义 适当的离散化，时空差分方案，初始条件或解决方案？ 高清晰度解决方案与机器学习技术相结合，是否可以用于形成步长更大但保持收敛性，准确性等的差分方案？ 所有这些方案都是可访问的“人类易处理的派生”-它们具有少量要素。是否有一个包含数千个元素的差异化方案能做得更好？它是如何衍生的？ 注意：我将在一个单独的问题中继续进行经验初始化和经验推导（相对于分析而言）。 更新： 利用深度学习来加速格子玻尔兹曼流。使特定情况的速度提高约9倍 O. Hennigh（新闻中）。Lat-Net：使用深度神经网络的压缩格子Boltzmann流动模拟。取自：https : //arxiv.org/pdf/1705.09036.pdf 使用代码回购（我认为）：https : //github.com/loliverhennigh/Phy-Net 与GPU和相同的硬件相比，它比GPU快大约2个数量级，比GPU快4个数量级，或快大约O（10,000x）。 Guo，X.，Li，W.＆Ioiro，F.用于稳定流逼近的卷积神经网络。取自：https : //autodeskresearch.com/publications/convolutional-neural-networks-steady-flow-approximation 大约20年前研究过该主题的其他人： Muller，S.，Milano，M.和Koumoutsakos P.机器学习算法在流建模和优化中的应用 湍流研究中心年度研究摘要1999摘自：https …
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.