第十八周:Fluent实例仿真+文献阅读

文章讲述了如何使用物理信息神经网络(PINN)在FLuent中模拟圆柱绕流的层流涡街现象,涉及网格划分、边界条件设置和求解过程,展示了PINN在处理逆问题及无缝结合数据和数学模型的优势。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

目录

摘要

Abstract

Fluent实例

几何模型描述部分

网格划分部分

求解器设置

边界层设置为5时的情况

文献阅读:流体力学中的物理信息神经网络(pinn)综述

面临的问题

提出方法

PINN

基础原理

PINN研究现状

总结与未来发展方向

总结

摘要

本周的fluent案例讨论是模拟圆柱绕流出现层流涡街(40<Re<150)的情况,即流体经过圆柱后会产生两侧会周期性地脱落出旋转方向相反、并排列成有规则的双列线涡的现象。在本周的文献阅读中,回顾了流物理信息学习,无缝集成数据和数学模型,并使用物理信息神经网络(pinn)实现。证明了pinn在与三维尾流、超音速流和生物医学流相关的逆问题中的有效性。

Abstract

This week's fluent case study was to simulate a laminar vortex street (40<Re<150) around a cylinder, in which the fluid passing through the cylinder will periodically fall off from the two sides of the cylinder and arrange in a regular double line vortex in opposite directions. At the literature reading,make a review flow physics-informed learning, integrating seamlessly data and mathematical models, and implement them using physics-informed neural networks (PINNs),and demonstrate the effectiveness of PINNs for inverse problems related to three-dimensional wake flows, supersonic flows, and biomedical flows.

Fluent实例

几何模型描述部分

  圆柱绕流问题是流体力学的经典问题,对于该类问题的仿真是一种基础性的研究。该几何模型其中的圆柱体影响着雷诺数,其中上游(D2)为10m,下游(D3)为15m,圆柱直径(D1)为1m,进口处(D4)边长为20其边界条件为左进右出,上下的边界不设置为壁面,在该案例中主要考虑的是主流的区域,若设置为壁面,其存在的边界层条件会影响主流区域的流动,单纯的考虑该圆柱绕流时,设置上下边为对称即可(当该边界距离主流区域较远时也可以设置为壁面)。

  本次案例讨论的是层流涡街(40<Re<150),即流体经过圆柱后会产生两侧会周期性地脱落出旋转方向相反、并排列成有规则的双列线涡。

  在圆柱处增加20层边界层,在下游区域进行局部加密(流动状况较复杂,梯度较大),其余部分较平稳,采用粗网格来加快求解速度。

网格划分部分

  用FLuent mesh 来对网格进行划分,选择水密工作流,将模型导入,单位为m,添加boi-1的局部尺寸,增长率为1.2,选用影响体(Body of Influence)为尺寸函数类型,BOI加密的实体不会构成几何对象。有目标网格尺寸(Target Mesh Size)为0.2,区域如下所示:

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值