2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)

这篇具有很好参考价值的文章主要介绍了2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

在上篇博客中,我简单比较了瑞丽伯纳德对流的FTLE场,但是因为粒子追踪采用的是欧拉方法,所以精度不是很高, 因此与文献中的结果还是有些差别。
下面放一张文献中的FTLE场,参数与上篇文章是一致的,Ra = 1e8;Pr = 1;

2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
本文将详细的介绍如何得到这样的图片,好吧,其实也不是很详细。总之,先展示以下我个人的结果。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)

可以看出,上图基本上与文献是一致的,因为这里展示的是瞬时场,所以当然不可能是完全一致,至于提取的LCS结构,我在下面也会提及。

本着详细介绍的原则,所以这里我很良心的从流场计算开始介绍。粒子迁移需要时空离散的流场数据。流场的网格是很好确定的,我这里是DNS,所以网格尺度小于 η \eta η就行。比较重要的是时间步长应该取多少。

1、流场时间步长

首先,根据我的计算参数,我得到流场的无量纲时间 t f = 1.13 s t_f=1.13s tf=1.13s。根据文献, t E = 7 t f = 7.9 s t_E=7t_f=7.9s tE=7tf=7.9s
即一个turn over time(大涡转一圈的时间)。因为积分时间选取为 1 / 2 t E 1/2t_E 1/2tE,所以我这里就凑个整,总共计算8s,积分时间选择4s,然后又凑个整,时间步长分别选取为0.1和0.05,总共为80个和160个时间步,时间步肯定是越小越好,但是存储量也会迅速上升,这里后面会比较这两个时间步得到的结果。
上面我放的图是dt=0.05得到的结果,我们先来以这个为例。

2、积分时间

这个其实文献里已经比较清楚了,我这里还是啰嗦一句。讲一讲如何获得
turn ove time 大涡转一圈的时间, t E = 4 π / < w c > t t_E=4\pi/<w_c>_t tE=4π/<wc>t
我们知道,涡量,也就是速度的旋度,它还等于角速度的两倍,不会的可以去翻书,再不会放弃流体力学吧。这里的思想就是,将转动的大涡看成是一个刚体,所以用中心处的角速度来作为大涡整体的角速度。所以根据这个我们可以得到 t E t_E tE
注意,这里的 w c w_c wc,是有量纲的,即 T − 1 T^{-1} T1,我们需要对其乘以一个 t f t_f tf来对其进行无量纲化,这样才能得到无量纲的 t f t_f tf。这一点文献中没提,但基本上大家都是默认这样操作。

我这里也对文献中的数据进行了验证,分别计算了努塞尔数和 t E t_E tE。结果其实还行,因为本身统计时间太短了,没有考虑统计稳态,统计收敛这些问题。
结果放在这里,供大家参考。
计算0-8时刻内的努塞尔数
Nu:25.35 文献值:25.29
tE:7.202612960718049 文献值: 7.0;

2.1、积分时间的影响

文献中指出,积分时间大于tE时,FTLE场的差别其实不大,下面来看一下我的计算结果。
积分时间:3.6s,见下图
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
积分时间:4s:见第二张图。
积分时间:5s,见下图
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以看出基本的形状是没有发生什么变化的,只不过因为积分时间过长,FTLE的值会变小,这是由于计算FTLE时需要除以时间。

但是基本的结论与文献是保持一致的,这里通过比较发现其实t=3.6s和4s时的结果是比较好的,积分时间为5s能看到有些地方不是那么清晰,可能是由于粒子推进误差的问题。

3、粒子个数的问题

在计算FTLE场时,初始放置的粒子不一定要与网格数保持一致,是可以自由确定的。
我们固定积分时间为4s,即0.5tE,看一下粒子数对FTLE场计算的影响。
粒子数512*512,与流场网格保持一致,如下图
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)

粒子数600600 如下:
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
粒子数700
700 如下(即第二张图):
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以看出,随着粒子数的增加,其实变化不大,这里粒子数主要影响的是FTLE场的光滑程度,如果粒子太少,可以明显看出场中许多粗糙的地方。我额外做了一组
粒子数:256*256,结果如下图

2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以明显看出分辨率下降。

4、流场数据时间间隔的影响

流场数据的时间间隔直接决定了粒子追踪的精度。
这里我们对比dt = 0.1s和dt = 0.05s的结果
注意,上面展示的都是基于dt=0.05s的结果。
这部分我们依然固定FTLE(2),,积分时间:4s,粒子数固定为512*512;

dt = 0.1的结果,如下图:
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)

dt=0.05的结果(依然是第二幅图),如下图:
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
好吧,其实dt=0.1s的结果还说的过去,我本来以为会很差的,结果基本上跟dt=0.05s是一致的,可以看出我编写的粒子追踪的程序精度还是可以的。那以后就按dt=0.1s算吧这样节省了一倍的内存。

5、提取LCS结构

最后的最后,我们在来讨论一下从FTLE场提取LCS结构,即拉格朗日脊。
这里主要有两种方法,我们就拿dt-0.1;FTLE(2),积分时间4s,粒子数目512*512的结果来讨论吧。

5.1 shadden方法

该方法是由shadden提出的。
简单粗暴。
F T L E > c FTLE>c FTLE>c
所有大于c的网格处的保留,其余的赋,即可得到LCS结构,其实我们的直觉也差不多是这样。
这个主要是根据经验需要调个参,但是效果其实还行。
下图是按这种方法提取的
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)

5.1 文献方法

F T L E ( x , y ) − ⟨ F T L E ⟩ x > c F T L E r . m . s . . \mathrm{FTLE}(x,y)-\langle\mathrm{FTLE}\rangle_x>c\mathrm{FTLE}_{r.m.s.}. FTLE(x,y)FTLEx>cFTLEr.m.s..
也有个参数需要调,但是这里人家告诉你了,c=1,2时结果还行,至少在文献中。
并且放了一张对比图。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以看出也确实还行。但是我对此图表示怀疑。因为文章下面的图就不是这样的了。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以看出,明显侧壁的结构要粗很多,并且上下壁面也感觉有些缺失,这是因为与该课题组另一篇文章中的结果差别比较大。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
上下两幅图仅有流场Pr一个是0.7,一个是1,其实对流场的影响不大,但是由同样的方法提取处的LCS差距却着实比较大,明显后一个要更好一点。

下面来看看我利用该方法提取的LCS.(c=0.7)
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
怎么说呢,我感觉是有问题的,侧壁明显多了一些FTLE场中看不出的结果。
我们来分析一下他这个方法,大于rms这一项没毛病,其实可以把这一项看成c也无妨,问题主要是在 ⟨ F T L E ⟩ x \langle\mathrm{FTLE}\rangle_x FTLEx,这个项上。
我的理解是在x方向的平均,也就是对于每个高度Y,取切片的平均,但是问题在于,FTLE场明显可以看出,中间高度位置处的FTLE平均明显是要小的,我们可以绘制 ⟨ F T L E ⟩ x \langle\mathrm{FTLE}\rangle_x FTLEx沿高度的变化。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
确实是这样,那么在计算时,侧壁处的将会更容易被识别成LCS.。。。
所以造成了这种情况。我们当然可以提高c值。c=1.2时,即文献中的值时结果如下
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
可以看出,上下边界处的一些结果是被忽略掉的。这里我不知道是不是我理解有问题,反正确定怪怪的,这种方法。

插一句,如果我理解的x坐标和他的不一样,即我试了一下在y方向取平均的结果
结果是,平均场的分布是类似的,都是中间小,两头大。
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
并且提取的结果上下壁面会变多,侧壁会变少
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
对此,我很怀疑
2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)
这种方法能提取出这种结构,但是好像确实这个上下壁面有缺失。
哎呀。。。好烦。。。

感觉还是第一种更加使用,不知道这个单方向求平均的意义在哪。。。文章来源地址https://www.toymoban.com/news/detail-492716.html

到了这里,关于2、瑞丽-伯纳德对流的拉格朗日拟序结构(FTLE场结果对比)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 拉格朗日乘数法

    拉格朗日函数用于约束优化问题。约束优化问题简而言之就是在有一堆约束 Σ i = 1 g i ( x ) Sigma_{i=1} g_i(x) Σ i = 1 ​ g i ​ ( x ) 的情况下求目标函数 f ( x ) f(x) f ( x ) 的问题,说起来很抽象,直接来点例子看比较直观。 例1. 求 f ( x , y , z ) = x y z f(x,y,z)=xyz f ( x , y , z ) = x yz 在条件

    2024年02月09日
    浏览(31)
  • 浅谈拉格朗日插值法

    好像FFT要用到,所以就学习一手 版题 其意义在于: 理解一下: 就是把一个足球踢出去,假设球始终在一个平面上飞行,它的轨迹就可以抽象为 (f(x)) (假设这个函数至于时间有关) 现在你有一些照片,所以你可以得到某几个时间点球的位置,想要还原出这个函数 (f(x)) 的

    2023年04月25日
    浏览(28)
  • 【深度学习】拉格朗日( Lagrange)中值定理

    如果函数 f(x) 满足: 在闭区间[a,b]上连续; 在开区间(a,b)内可导。 那么在(a,b)内至少有一点ξ(aξb),使等式 : f(b)-f(a)=f′(ξ)(b-a) 成立,或: f′(ξ) =(f(b)-f(a)) / (b-a) 或存在0θ1,使: f(b)-f(a) = f′(a+θ(b-a)) (b-a) 成立。 f(b)-f(a)=f′(ξ)(b-a) 也称为拉格朗日中值公式,后面两个式子是

    2024年02月05日
    浏览(31)
  • 优化问题的拉格朗日Lagrange对偶法原理

    首先我们定义一般形式的求解x的优化问题: 表示优化的目标函数,上述为最小优化,实际上最大优化可以改写为的形式 表示第i个不等式约束 表示等式约束 上述优化问题的拉格朗日Lagrange对偶法求解,是将上述带约束的目标优化问题改写为如下无约束的Lagrange函数式子。 上

    2024年02月02日
    浏览(26)
  • 22matlab数据分析 拉格朗日插值(matlab程序)

    1. 简述        第一部分:问题分析 (1)实验题目:拉格朗日插值算法 具体实验要求:要求学生运用拉格朗日插值算法通过给定的平面上的n个数据点,计算拉格朗日多项式Pn(x)的值,并将其作为实际函数f(x)的估计值。用matlab编写拉格朗日插值算法的代码,要求代码实现用户

    2024年02月15日
    浏览(28)
  • 解读 拉格朗日插值法python,保你学明白

    什么是插值法 插值法是一种数学方法,用于在已知数据点(离散数据)之间插入数据,以生成连续的函数曲线。 插值法可以用于确定一个未知数据点的值,并简化复杂的数学计算过程。 插值法的应用广泛,如统计学、工程学、科学研究等领域。 拉格朗日插值法的原理 格朗

    2024年02月08日
    浏览(34)
  • PLC拉格朗日插值(SCL、ST计算源代码)

    插值是对函数进行近似的基本方法,这篇博客主要介绍常用的拉格朗日插值法, Lagrange插值法不太清楚的同学,可以看看数值计算和分析类书籍,网上有很多C语言的拉格朗日插值算法,这里我们主要给出在PLC里利用ST,SCL语言完成拉格朗日插值计算。 1、拉格朗日插值FC  插值

    2024年02月14日
    浏览(37)
  • 数值分析:拉格朗日插值法笔记以及C++代码实现

    插值需求的诞生: 如何通过已知数据得到函数的近似解析表达式,从而获得更多的有用数据。 在实际应用中常常需要根据已知的函数点进行数据、模型的处理和分析,而有时候现有的数据是极少的,不足以支撑分析的进行,这时就需要使用一些数学的方法“模拟产生”一些

    2024年02月12日
    浏览(27)
  • 【工具篇】拉格朗日动力学建模及系统设置初值求变量

    机器人的动力学方程通常可以通过 牛顿-欧拉公式 或 拉格朗日动力学公式 得到。 关于机器人动力学是什么,可以参考Robitics公众号的这一系列文章干货 | 机械臂的动力学(二):拉格朗日法;或者在CSDN上找,资料很多,如机器人动力学——拉格朗日法 ——简单来说, 牛顿

    2024年02月07日
    浏览(31)
  • Matlab 拉格朗日(lagrange)插值 以及 poly、conv函数理解

    https://songshanhu.csdn.net/643f5384986c660f3cf93c13.html?spm=1001.2101.3001.6661.1utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1-36407923-blog-83212763.235%5Ev32%5Epc_relevant_increate_t0_download_v2depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromBaidu%7Eactivity-1

    2024年02月07日
    浏览(32)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包