摘要:在大气边界层风洞中对球形穹顶表面进行了一系列风压测量。给出了球形穹顶表面的风压分布,包括平均值和标准差。讨论了墙高跨比、矢跨比、地形类型和雷诺数对风压分布的影响。本研究侧重于风致振动分析。采用本征正交分解 (POD) 技术重建具有不同网格尺寸和形状的网状球形穹顶的风压场,并与风洞试验模型获得的结果进行比较。提出了一种非均匀分布抽头的新处理方法。不同的处理方法会导致具有不同物理意义的不同优化问题。对于风致振动分析的模态叠加分析,提出了一个新的矩阵,作者将其指定为模态载荷相关矩阵,以确定对风效应贡献最大的特殊模态。该模态对背景响应贡献最大,对共振部分贡献显著。该矩阵的物理意义为结构响应的空间分布,其优点是只考虑运动方程中已知的变量,不需要任何准静态或动态假设,最后给出了该矩阵在背景响应中的应用。
网状芯的渗透性对于各种应用都很重要,包括两相传热。然而,人们对单层、独立式网状芯(两侧都有液气界面)的渗透性的理解有限。本文提出了一种新颖且更简单的方法来确定独立芯的渗透性并将其应用于代表性网格。该方法包括通过升高来修改毛细管压力,并同时测量渗透性以确定渗透性-毛细管压力关系。当应用于经过表面清洁的平纹铜网时,发现渗透性随着去离子水的毛细管压力的增加而降低。本文提出了一种维度分析,以将此数据推广到具有类似编织和流体的其他网格尺寸。基于达西定律与测量数据拟合的解析函数的结合,对网格在应用中的行为进行了建模,并根据获得的毛细管压力-渗透率关系进行了参数研究,以研究液体在不同驱动压力、输送长度和液体粘度下通过网格的表观速度。这项研究为网格芯的输送特性提供了宝贵的见解,并可能应用于电子冷却、电化学设备和流体净化技术等领域。
摘要:在大气边界层风洞中对球形穹顶表面进行了一系列风压测量。给出了球形穹顶表面的风压分布,包括平均值和标准差。讨论了墙高跨比、矢跨比、地形类型和雷诺数对风压分布的影响。本研究主要针对风致振动分析。采用本征正交分解 (POD) 技术重建了具有不同网格尺寸和形状的网面球形穹顶的风压场,并与风洞试验模型获得的结果进行了比较。提出了一种新的非均匀分布抽头处理方法。不同的处理方法导致具有不同物理含义的不同优化问题。对于风致振动分析的模态叠加分析,提出了一个新的矩阵,作者将其称为模态-荷载-相关矩阵,以确定对风效应贡献最大的特殊模态。该模态对背景响应贡献最大,对共振部分贡献显著。该矩阵的物理意义是结构响应的空间分布。其优点是它只考虑运动方程中的已知变量,而不需要任何准静态或动态假设。最后,给出了该矩阵在背景响应中的应用。
快速行进方法通常用于扩展各个字段中的前面模拟,例如流体动力学,计算机图形和微电子,以恢复级别集合函数的签名距离字段属性,也称为重新启动。为了提高重新距离步骤的性能,已经开发了快速行进方法的并行算法以及对层次网格的支持;后者在局部支持模拟域的更高分辨率,同时限制了对整体计算需求的影响。在这项工作中,先前开发的多网性快速行进方法通过所谓的基于块的分解步骤扩展,以改善层次结构网格的串行和并行性能。OpenMP任务用于基于每个网格的基础粗粒平行化。开发的方法提供了改进的负载平衡,因为该算法采用了高网格分配学位,从而使网格分区与各种网格尺寸之间的平衡。对具有不同复杂性的代表性几何形状进行了各种基准和参数研究。在24核Intel Skylake Computing平台上的各种测试用例中,串行性能提高了21%,而平行速度为7.4至19.1,有效地使以前方法的并行效率增加了一倍。©2021作者。由Elsevier B.V.这是CC下的开放访问文章(http://creativecommons.org/licenses/4.0/)。
在本文中,我们提出了一种可扩展的算法易于故障的计算机,用于在两个和三个空间维度中求解传输方程,以用于可变网格尺寸和离散速度,其中对象壁与笛卡尔网格,与笛卡尔电网相关,每个变化的veer veel veel的相对差异均与裁缝相关范围。我们提供了量子传输方法(QTM)的所有步骤的详细描述和复杂性分析,并为Qiskit中生成的2D流的数值结果作为概念证明。我们的QTM基于一种新型的流媒体方法,该方法可与先进的量子流方法相比,导致减少CNOT门的数量。作为本文的第二个亮点,我们提出了一种新颖的对象编码方法,该方法降低了编码墙壁所需的CNOT门的复杂性,该墙壁现在变得独立于墙壁的大小。最后,我们提出了粒子离散速度的新型量子编码,该量子能够以反映粒子速度的成本进行线性加速,现在它变得独立于编码的速度量。我们的主要贡献包括详细描述量子算法的故障安全实现,用于转移方程的反射步骤,可以在物理量子计算机上容易实现。这种故障安全实现允许各种初始条件和粒子速度,并导致墙壁,边缘和障碍物的颗粒流动行为在物理上纠正粒子流动行为。
I.简介。问题陈述多年前,笛卡尔曾经通过禁止的窗户看着庭院中生长的橡木,意识到,借助窗户晶格,可以按数字来指定橡木(树干,树枝,树枝)的部分位置,即以数字为单位来数字化橡木!通过降低晶格的网格尺寸,它将具有越来越多的细节,可以将橡木数字化。笛卡尔大叫:“尤里卡!”并创建了一个矩形的笛卡尔坐标系。这是物理学数学和数字化开始中至关重要的时刻。任何物质对象都可以使用笛卡尔坐标编码。该对象的运动可以通过笛卡尔坐标的功能转换来描述。我们可以说创建了物理空间的数值图像。今天的数字化始于那个事件。本文讨论了建立人工智能系统的两个历史上建立的方向[1-3]:专家系统,神经网络。神经网络和专家系统是大量系统,它们的结构类似于神经元的神经组织。最常见的体系结构之一,具有错误反向传播的多层感知器,模拟神经元作为分层网络的一部分,每个高级神经元通过其输入连接到底层层的神经元的输出[1]。逻辑和符号运营学科近年来已经主导了人工神经网络。例如,专家系统已得到广泛促进,并取得了显着的成功以及失败。一些科学家指出,人工神经网络将取代现代人工智能,但是有很多证据表明它们将结合到系统中,在这种系统中,每种方法都可以用来解决它所解决的问题[2]。
在这项工作中,提出了一种自适应有限元策略来处理添加剂制造(AM)过程的数值模拟。选择性激光熔化(SLM)被选择为参考技术,因为它在工业制造链中的差异很大,尽管所提出的方法可以应用于所有类型AM的数值模拟。如果将基于OCTREE的网状适应性方法与处理区域(所谓的热机械效果效果区域(TMAZ))相比,则采用了允许在处理区内使用大量填充网格的方法。尽管自适应网格划分对于通过制造过程的整个模拟来保持控制的计算资源至关重要,但是结果的准确性可能会因粗化策略而损害,尤其是在模拟SLM过程时,在该过程中,网格尺寸可以从微米(TMAZ)(TMAZ)到厘米(靠近建筑物)(接近建筑物)。这种准确性的丧失会破坏原始的效果,以在过程区域重新发现网格时。因此,开发了一种弥补自适应改造仿真中信息损失的策略。主要思想是添加两个校正项,以补偿已经制造的区域中网格的粗糙过程中的准确性损失。建议的校正项可以解释为自适应网格上的变分多尺度增强。数字示例说明了提出的策略的性能。这允许人们通过使用自适应的网格成功模拟添加剂制造过程,其结果与计算成本的一小部分具有与均匀重新固定的网格模拟非常相似的准确性。