FDTD中的网格及细化方式

前言

FDTD方法当中,时间空间等均由Yee网格表示,这种离散方法也会带来一些系统性误差,例如网格色散等。此外,通过离散差分所能模拟的最小尺度即为一个网格,对于小于一个网格尺寸的结构,只能近似为一个网格,这将会给数值计算带来误差。当然最简单有效的办法是将网格划分得足够细,但这将需要更多的计算资源和时间。另一种方法则是使用共形网格,这种方法可以让整个计算区域的网格保持较大尺寸,同时,修正局部网格来减小误差。

网格色散

首先我们需要了解在FDTD网格离散化时所带来的数值不稳定性。由于空间和时间均由离散化的网格表示,时间空间离散间隔的选取将决定差分方程的解是否是收敛和稳定的。
考虑平面波的解,即 f(x,y,z,t)=f_0exp(-j(k_xx+k_yy+k_zz))exp(j\omega t),对其二阶导进行差分近似可以得到

\cfrac{\partial^2f}{\partial x^2}\thickapprox \cfrac{exp(jk_x\Delta x)-2+exp(-jk_x\Delta x)}{(\Delta x)^2}f=-\cfrac{sin^2(\cfrac{k_x\Delta x}{2})}{(\cfrac{\Delta x}{2})^2}f

将该离散差分的结果代入波动方程可以得到色散关系式

\cfrac{sin^2(\cfrac{k_x\Delta x}{2})}{(\cfrac{\Delta x}{2})^2}+\cfrac{sin^2(\cfrac{k_y\Delta y}{2})}{(\cfrac{\Delta y}{2})^2}+\cfrac{sin^2(\cfrac{k_z\Delta z}{2})}{(\cfrac{\Delta z}{2})^2}=\cfrac{\omega^2}{c^2}

再将时间离散化,得到的不等式如下

(c\Delta t)^2[\cfrac{1}{(\Delta x)^2}+\cfrac{1}{(\Delta y)^2}+\cfrac{1}{(\Delta z)^2}]\leq 1

该式即为Courant稳定性条件。对于三维情况下的立方体元胞 (\Delta x=\Delta y=\Delta z=\delta) 有:

c\Delta t<\cfrac{\delta}{\sqrt{3}}

当为二维正方形网格 (\Delta x=\Delta y=\delta) 时为

c\Delta t\leq \cfrac{\delta}{\sqrt{2}}

以上两种情况下,说明时间间隔须小于波以光速通过元胞对角线长度1/3(三维)或1/2(二维)所需的时间。

上述的色散关系式可以看出:即使计算当中并没有色散材料以及损耗材料,由于离散差分近似,波矢 k 与频率 \omega 之间已经不是简单的线性关系式,必然导致相速度与频率有关,从而出现色散。将色散关系式简化到一维情况下

\cfrac{sin^2(\cfrac{k\Delta x}{2})}{(\cfrac{\Delta x}{2})^2}-\cfrac{\omega^2}{c^2}=0

计算相速度为

\nu_{\phi}=c\left|\cfrac{sin(\cfrac{k\Delta x}{2})}{(\cfrac{k\Delta x}{2})} \right|

而当角度 \xi \leq\cfrac{\pi}{12}  时,可以认为 sin{\xi}\thickapprox\xi ,即得到空间离散间隔的满足条件

\cfrac{k\Delta x}{2}\leq \cfrac{\pi}{12}\\ \Delta x\leq \cfrac{\lambda}{12}

同理可得时间离散间隔

\cfrac{\omega\Delta t}{2}\leq \cfrac{\pi}{12}\\ \Delta t\leq \cfrac{T}{12}

在实际计算当中,采用何种时间空间离散间隔还需要视需求而定。

网格细化

均匀网格

在均匀网格中,对于小于网格尺寸的结构一般使用网格中心点判断该网格处的材料参数,该处理方式称为阶梯近似,如下图所示。

非均匀网格

而非均匀网格可以根据需求以及物理场的变化情况来对应调整网格单元的尺寸,因此使用非均匀网格可以更好地捕捉物理场的细节和变化,同时对于折射率变化不明显的地方使用较大的网格尺寸也可以提高计算效率。非均匀网格是FDTD方法当中一种重要技术,可以提高模拟的准确性和效率,能够更好地适应不同的物理模型。 如下图,对于结构复杂的弧形结构,自动根据材料和形状建立更密的网格来获得其边界的细节,而对于规则的矩形将建立相对尺寸较大的网格。这种方式可以在不损失材料精确度的情况下尽量节省计算资源。

共形网格

共形网格通过在网格细化方法上做出优化,能够得到Yee单元结构内的等效材料分布。在FDTD计算中,共形网格技术可以处理曲线边界、不规则形状等复杂情况,可以实现对复杂几何形状的精确建模和模拟,提高了模拟结果的准确性和计算效率。目前共形网格技术已经发展出多套理论和方法,对于该技术,在此简单地介绍两种以作了解。

介质体平均

介质体平均是共形网格技术当中基本的方法之一,其在网格当中以各种介质所占据的体积来计算该网格的等效材料常数。这种方法没有太多物理意义,操作简单,对折射率对比度低的介质表面有效。下图展示了这种方法示意图,图中认为结构在z方向分布相同,因此仅绘出二维截面。

\mu_z^{eff}(F)=\cfrac{S_1*\mu_1+S_2*\mu_2}{\Delta x\Delta y\Delta z}

其中,S1,S2 为介质1,介质2所占的体积。由上述介绍可知,介质体平均的方法在描述复杂结构的电磁特性时存在一定的局限性。这种方法通常假设介质体在空间上是均匀分布的,而忽略了结构内部分布的不均匀性。因此不同结构在网格单元内的实际分布可能会有很大的差异,但通过介质体平均得到的等效材料参数却可能相同。这正是介质体平均方法的局限性。

Yu-Mittra共形网格方法

Yu-Mittra共形网格方法由Yu和Mittra于2001年提出,利用了如图中所示的线性平均概念和电场在材料界面的特性,从而实现了对复杂边界的精确建模和模拟。现如今已经成为FDTD当中一种常见方法,基于该方法,已经有多种改进方法应用在FDTD中。原始的Yu-Mittra共形网格方法是为了解决理想导体与介电材料界面处的精度计算。理想导体内部电场为零,故有法拉第电磁感应定律

\oint_l \mathbf{E} dl=-\cfrac{d}{dt}\iint_s\mathbf{B}ds

可以得到二维FDTD迭代方程 

H_z^{n+1/2}(i,j)=H_z^{n-1/2}(i,j)+\cfrac{\Delta t}{\mu_z\Delta x_0\Delta y_0}\{[\Delta x_0E_x^{n}(i,j+1/2)-\Delta x_1E_x^{n}(i,j-1/2)]-[\Delta y_1E_y^{n}(i+1/2,j)-\Delta y_0E_y^{n}(i-1/2,j)]\}

进一步的可以将其应用到介质表面的共形网格当中。

\varepsilon_x^{eff}=\cfrac{\varepsilon_2(\Delta x_0-\Delta x_1)+\varepsilon_1\Delta x_1}{\Delta x_0}\\ \varepsilon_y^{eff}=\cfrac{\varepsilon_2(\Delta y_0-\Delta y_1)+\varepsilon_1\Delta y_1}{\Delta y_0}\\ {}\sigma_x^{eff}=\cfrac{\sigma_2(\Delta x_0-\Delta x_1)+\sigma_1\Delta x_1}{\Delta x_0}\\ \sigma_y^{eff}=\cfrac{\sigma_2(\Delta y_0-\Delta y_1)+\sigma_1\Delta y_1}{\Delta y_0}

参考文献:

[1] Allen Taflove. "Computational Electromagnetics: The Finite-Difference Time-Domain Method", Boston:Artech House, (2005).

[2] Yu, W., and R. Mittra. "A conformal finite difference time domain technique for modeling curved dielectric surfaces", IEEE Microwave Components Lett, (2001).

[3] Yu W , Mittra R , Su T ,et al. "Parallel finite-difference time-domain method", Artech House Publish (2006).

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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