XiaoMi-AI文件搜索系统
World File Search System湍流模型
快速和慢速太阳风中各向异性湍流的演变：理论和太阳轨道器测量
目的。太阳轨道器 (SolO) 于 2020 年 2 月 9 日发射，使我们能够研究内日球层湍流的性质。我们使用几乎不可压缩磁流体动力学 (NI MHD) 湍流模型和 SolO 测量研究了内日球层快速和慢速太阳风中各向异性湍流的演变。方法。我们计算了前向和后向传播模式下能量、波动磁能、波动动能、归一化残余能量和归一化交叉螺旋度的二维 (2D) 和平板方差，作为平均太阳风速度和平均磁场 (θ UB ) 之间角度的函数，以及作为日心距离的函数，使用 SolO 测量。我们比较了观测结果和 NI MHD 湍流模型的理论结果与日心距离的关系。结果。结果表明，前向和后向传播模式、磁场涨落和动能涨落的二维能量与平板能量之比随着平均太阳风流与平均磁场之间的夹角从 θ UB = 0 ◦ 增加到大约 θ UB = 90 ◦ 而增加，然后随着 θ UB → 180 ◦ 而减小。我们发现太阳风湍流是太阳中心距离函数中占主导地位的二维分量和少数平板分量的叠加。我们发现理论结果与观测结果在太阳中心距离函数中具有很好的一致性。
埃菲尔（开放式）亚音速风洞建模与风流分析
摘要 - 风洞 (WT) 是一种人工产生相对于静止物体的气流并测量空气动力和压力分布的装置，模拟实际情况，其重要方面是准确模拟流体流动的全部复杂性。本研究的目的是设计一个小型、开路（也称为埃菲尔型）和亚音速（低速）风洞 (WT) 的三维几何形状，能够展示或充当航空力学研究的重要工具。该项目和制造本身是一项繁重的任务，其焦点/中心主题是描绘/描述风洞组件，例如测试部分、收缩锥、扩散器、驱动系统和沉降室。本文还描述了 WT 的历史、类型、重要性和应用，旨在作为解剖/详细分析。引用了大量有关 CFD（计算流体动力学）的信息，这是一门研究如何通过求解数学方程来预测流体流动、传热、化学反应和其他现象的科学，并将其与湍流模型结合使用，以获得正确和理想的 Open WT，并验证流体流动的性能。通过分析风洞中的速度分布模式、压力分布和流体湍流强度来进行 CFD。CFD 可以洞察使用流量台架测试无法捕捉到的微小流动细节。还讨论了所采用的设计、预示流体流动的数学、遵循的指导方针、获得的结果和进一步的范围。
1 碎石堆防波堤溢流口
直到最近，物理模型还是研究防波堤在波浪攻击下行为细节的唯一方法。从数值角度来看，由于几何形状复杂，存在强烈的非平稳流、自由边界和湍流，所涉及的流体动力学过程的复杂性迄今为止阻碍了 Navier-Stokes 方程在装甲块内的直接应用。在目前的研究中，最新的 CFD 技术用于为防波堤的设计分析提供一种新的、更可靠的方法，特别是在与爬高和越顶相关的方面。通过重叠各个虚拟元素以形成由块界定的空白空间，在数值域内模拟实体结构。因此，通过定义精细的计算网格，在间隙内定位足够数量的节点，并执行完整流体动力学方程的完整求解。在本文中介绍的工作中，数值模拟是通过将三维雷诺平均纳维-斯托克斯方程与 RNG 湍流模型和用于处理自由表面动力学的流体体积法相结合来进行的。本研究的目的是研究这种方法作为设计工具的可靠性。考虑了两个不同的防波堤，均位于西西里岛南部：一个是典型的采石场石防波堤，另一个是更复杂的设计，包含溢流盆和由 Coreloc® 块组成的装甲层。
机器学习的老式框架
目的是为机器学习（ML）团队提供明确且动机的指导，该团队基于我们在经验湍流建模方面的经验。在ML外部进行建模也需要指导。mL尚未成功进行湍流建模，许多论文由于数学或物理学错误或严重过度拟合而产生了无法使用的建议。我们认为，“湍流文化”（TC）需要数年的时间来学习，而且很难传达，特别是考虑到现代缺乏仔细学习的时间；在湍流研究和建模和广泛阅读事业之后，不言而喻的重要事实很容易错过。此外，其中许多不是绝对事实，这是我们对湍流的理解以及模型与第一原理的弱连接的差距的结果。一些数学事实是严格的，但是物理方面通常不是。湍流模型令人惊讶地任意。专家之间的分歧使新进入者感到困惑。此外，通过微分方程的非平凡分析特性确定了模型的几个关键特性，这使它们无法触及纯粹数据驱动的ML型方法。最好的例子是模型在湍流区域（ETR）边缘的关键行为。我们希望在此处投放的知识可能会分为“任务”和“要求”，每个知识都结合了物理和数学。呈现了“硬”和“软”约束的明确列表。我们的重点是创建有效的产品，以增强CFD的能力，而不是出版物。首先携带了如何使用DNS数据（可能与ML结盟）的具体示例，并说明了所需的大量决策。
研究论文 聚束环形微通道热沉中受限射流冲击的分析
射流冲击冷却被视为高功率电子设备热管理的绝佳选择。然而，它的缺点是高压降损失和远离射流区域的低局部传热系数。尽管据报道回流区是由于夹带而出现的，但是回流尺寸对热行为的影响尚不清楚。在这里，在数值研究中采用带有收敛环形通道的射流冲击散热器，以最大限度地减少微通道中冲击射流带来的不利冷却影响。可实现的 k − ε 湍流模型用于模拟热场和湍流流场（Re = 5,000 至 25,000）。研究发现，小尺度上不同的流动回流区是增强传热速率的原因。虽然在 Re 数较低时，收敛壁面射流冲击散热器的热性能高于其平板壁面散热器，但在 Re 数较高时，热性能结果有利于平板壁面射流冲击散热器。在 Re 数较高时，收敛通道中的流动再循环面积会缩小，因此与平板壁面射流散热器相比，收敛通道的热性能会下降。此外，研究发现，采用更陡的收敛通道会缩小流动再循环区域，导致 Re = 25,000 时压降降低高达 59%。本研究考察了不同 Re 数下流动再循环对射流冲击收敛环形散热器热工水力性能的影响。
深度学习在湍流中的应用
摘要 本论文研究了深度学习和深度强化学习在湍流模拟中的应用。深度学习模型经过训练可以进行时间和空间预测，而深度强化学习则应用于流量控制问题，即减少明渠流中的阻力。长短期记忆 (LSTM, Hochreiter & Schmidhuber 1997) 网络和 Koopman 非线性强迫 (KNF) 模型经过优化，可以在两种降阶湍流模型中执行时间预测，即 Moehlis 等人 (2004) 提出的九方程模型和最小通道流的截断适当正交分解 (POD) (Jim´enez & Moin 1991)。在第一个应用中，这两个模型都能够产生准确的短期预测。此外，预测的系统轨迹在统计上是正确的。KNF 模型在短期预测方面优于 LSTM 网络，并且训练计算成本低得多。在第二个任务中，只有 LSTM 可以成功训练，预测出统计上准确的轨迹。空间预测是在两种湍流中进行的：明渠流和边界层流。全卷积网络 (FCN) 用于使用壁面测量值预测给定壁面法线位置的二维速度波动场（反之亦然）。由于这些模型的非线性特性，它们提供了比扩展 POD（Bor'ee 2003）等最佳线性方法更好的重建性能。最后，我们展示了深度强化学习在发现湍流新控制策略方面的潜力。通过将流体动力学问题构建为多智能体强化学习环境，并使用位置不变的深度确定性策略梯度 (DDPG) 算法训练智能体，我们能够学习一种控制策略，该策略可显著减少 30% 的阻力，比现有策略提高约 10 个百分点。
障碍物和阵风环境下节能无人机飞行控制方法
摘要：本文介绍了一种节能的无人机（固定翼无人机）控制方法，该方法由三组算法组成：飞行器航线规划、飞行中控制和修正预定飞行轨迹的算法。所有算法都应考虑无人机必须避开的障碍物和无人机作业区域中的风力。基于无人机数学模型、稳定和导航算法以及 Dryden 湍流模型进行了测试，并考虑了无人机推进系统的参数。本文详细描述了如何构建用于规划无人机任务的连接网络。提出了一种确定行动领域中不同点之间实际距离的算法，该算法考虑了障碍物的存在。该算法应基于在六边形网格上确定飞行轨迹的方法。它介绍了基于一组混合整数线性问题 (MILP) 优化算法模型开发的专有无人机路径规划算法。它介绍了无人机控制器如何使用预先准备的飞行路径来监督沿预设路径飞行。它详细介绍了当代无人机的架构，这些架构具有实现自主任务的嵌入式能力，这需要将无人机系统集成到文章中提出的路线规划算法中。特别关注了在有阵风的情况下无人机任务的规划和实施方法，这有助于确定无人机飞行路线以最大限度地降低飞行器的能耗。所开发的模型在基于 ARM 处理器的计算机架构中使用硬件在环 (HIL) 技术进行测试，该技术通常用于控制无人驾驶车辆。所提出的解决方案使用两台计算机：基于实时操作系统 (RTOS) 的 FCC（飞行控制计算机）和基于 Linux 并与机器人操作系统 (ROS) 集成的 MC（任务计算机）。这项工作的一项新贡献是整合了规划和监控方法，以实施旨在最大限度地降低车辆能耗的任务，同时考虑到风力条件。
计算机和流体-Eprints Soton
超分辨率（SR）生成对抗网络（GAN）有望在大型模拟（LES）中湍流闭合，因为它们能够准确地从低分辨率领域重建高分辨率数据。当前的模型培训和推理策略对于大规模的，分布式计算而不足以成熟，这是由于计算需求以及对SR-GAN的训练通常不稳定的，这限制了改进的模型结构，培训策略和损失功能定义的探索。将SR-GAN集成到LES求解器中进行推理耦合模拟也是评估其后验精度，稳定性和成本的必要条件。我们研究了SR-GAN训练和推理耦合LES的并行化策略，重点是计算性能和重建精度。我们研究了混合CPU – GPU节点体系结构的分布式数据并行培训策略，以及低/高分辨率子盒大小，全局批处理大小和歧视器准确性的相关影响。准确的预测需要相对于Kolmogorov长度尺度足够大的训练子箱。应注意训练批量规模，学习率，培训子箱数量和歧视者的学习能力的耦合效果。我们引入了一个数据并行SR-GAN培训和推理库，以进行异质体系结构，该架构可以在运行时在LES求解器和SR-GAN推理之间进行交换。我们研究了这种布置的预测准确性和计算性能，特别关注精确的SR重建所需的重叠（Halo）大小。同样，有效推理耦合LES的后验并行缩放受SR子域的大小，GPU利用率和重建精度的限制。基于这些发现，我们建立了指南和最佳实践，以优化SR-GAN湍流模型训练和推理耦合LES计算的资源利用率和并行加速，同时保持预测精度。
超音速的计算和实验研究...
本研究涉及光束-目标相互作用模拟的开发和验证，以确定给定目标几何形状、表面辐射强度和自由流条件的目标温度分布随时间的变化。通过数值和实验研究了湍流超音速流动的影响。实验在弗吉尼亚理工大学超音速风洞中进行，喷嘴速度为 4 马赫，环境总温度，总压力为 1。1 × 10 6 Pa，雷诺数为 5 × 10 7 / m。目标由涂成平黑色的 6.35 毫米不锈钢板组成。用 300 瓦连续光束镱光纤激光器照射目标，产生 4 毫米高斯光束，光束直径为 1.08 微米，距前缘 10 厘米，其中存在 4 毫米湍流边界层。吸收的激光功率为 65、81、101、120 瓦，最大热通量在 1035 至 1910 W/cm2 之间。使用中波红外摄像机测量目标表面和背面温度。还使用八个 K 型热电偶测量背面温度。进行了两次测试，一次是流动，另一次是流动。对于流动情况，隧道启动后开启激光器，流动达到稳定状态。对于流出情况，板以相同功率加热，但没有超音速流动。通过从流出温度中减去流动温度可以看到冷却效果。此温度减法有助于消除偏差误差，从而显着降低整体不确定性。使用 GASP 共轭传热算法模拟 81 和 65 瓦的实验。大多数计算都是使用 Spalart-Allmaras 湍流模型在 280、320 单元网格上进行的。进行了网格收敛研究。与 65 瓦的情况相比，81 瓦的情况显示出更多的不对称性，并且在上游发现了一个冷却增加的区域。通过热电偶和红外温度测量也可以看到背面的不对称性增加。对于流出的情况，计算低估了表面温度 7%。对于 65 瓦和 81 瓦的情况，靠近中心的表面冷却都被低估了。对于所有功率设置，对流冷却都会显著增加达到给定温度所需的时间。