项目名称: 粘弹性湍流减阻流动的POD低阶模型研究

项目编号: No.51206186

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 工程热物理与能源利用学科

项目作者: 王艺

作者单位: 中国石油大学(北京)

项目金额: 25万元

中文摘要: 粘弹性湍流减阻是流体输送系统中的一种重要的节能降耗技术,其经济和社会效益明显,在油气集输系统和长输管道等场合有广泛的应用前景。特征正交分解(POD)方法已被数值实践证明是流动传热问题的高精度快速预测方法,有利于推动减阻技术的大规模产业化应用。因此,本项目拟针对由Giesekus本构关系描述的粘弹性减阻流动问题,建立能准确快速描述减阻流动系统动力学特征的POD低阶投影模型,采用直接数值模拟获得建模所需样本数据,采用特征正交分解从样本中获取基函数,引入最优化理论在基函数集合中寻求最优的基函数组合以解决低阶模型最佳截断位置难以确定的问题,考虑多场耦合条件下的Galerkin投影,解决动量方程与本构方程的耦合投影难题,克服以往对这两组方程依次分离建模造成的粘弹性附加应力模拟结果精度过低的问题。研究成果将为粘弹性湍流减阻节能系统的设计运行提供理论依据和技术支持。

中文关键词: 粘弹性;减阻流动;特征正交分解;低阶模型;湍流

英文摘要: Viscoelastic turbulent drag reduction is an important technology for energy saving in fluid transporting systems, with apparent economic and social benefits. It has broad potential applications in oil and gas gathering and transporting systems and long-distant pipelines etc. Proper orthogonal decomposition (POD) method has been proved to be an efficient way for high-precision and fast prediction method by numerical practice so that it is helpful for large-scale industrial applications of drag reduction. Thus, this project will aim to the viscoelastic drag reduction problem described by Giesekus constitutive relation, and establish a POD projection model that can accurate and fast predict the dynamic characteristics of drag reducing flow. Direct numerical simulation will be applied to obtain samples for modelling; POD will be used to extract eigenfunctions from the samples; optimization theory will be introduced to search the optimal combination of eigenfunctions to solve the problem that the optimal truncated location of the reduced order model was hard to fixed. Galerkin projection for multi-field coupling will be considered to solve the problem coupling the momentum equation and the constitutive equation so that the existed problem that the model results for viscoelastic conformation had too low accuracy by pr

英文关键词: Viscoelasticity;Drag-reducing flow;Proper orthogonal decomposition;Reduced-order model;Turbulence

成为VIP会员查看完整内容
0

相关内容

NeurIPS 2021 | ConE: 针对知识图谱多跳推理的锥嵌入模型
专知会员服务
24+阅读 · 2021年12月5日
【NeurIPS2021】去栅格化的矢量图识别
专知会员服务
15+阅读 · 2021年11月18日
专知会员服务
14+阅读 · 2021年7月24日
专知会员服务
28+阅读 · 2020年8月8日
【KDD2020】最小方差采样用于图神经网络的快速训练
专知会员服务
27+阅读 · 2020年7月13日
专知会员服务
73+阅读 · 2020年5月21日
内嵌物理知识神经网络(PINN)是个坑吗?
PaperWeekly
14+阅读 · 2022年2月14日
Kubernetes 安全指南
InfoQ
2+阅读 · 2021年12月24日
智能合约的形式化验证方法研究综述
专知
15+阅读 · 2021年5月8日
解读 | 得见的高斯过程
机器学习算法与Python学习
14+阅读 · 2019年2月13日
微信美女研究员:详解CNN在语音识别中的应用
机械鸡
13+阅读 · 2017年7月28日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Model Reduction via Dynamic Mode Decomposition
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月20日
Directional Graph Networks
Arxiv
27+阅读 · 2020年12月10日
小贴士
相关主题
相关VIP内容
相关资讯
内嵌物理知识神经网络(PINN)是个坑吗?
PaperWeekly
14+阅读 · 2022年2月14日
Kubernetes 安全指南
InfoQ
2+阅读 · 2021年12月24日
智能合约的形式化验证方法研究综述
专知
15+阅读 · 2021年5月8日
解读 | 得见的高斯过程
机器学习算法与Python学习
14+阅读 · 2019年2月13日
微信美女研究员:详解CNN在语音识别中的应用
机械鸡
13+阅读 · 2017年7月28日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员