The simulation of large open water surface is challenging for a uniform volumetric discretization of the Navier-Stokes equation. The water splashes near moving objects, which height field methods for water waves cannot capture, necessitates high resolution simulation such as the Fluid-Implicit-Particle (FLIP) method. On the other hand, FLIP is not efficient for the long-lasting water waves that propagates to long distances, which requires sufficient depth for correct dispersion relationship. This paper presents a new method to tackle this dilemma through an efficient hybridization of volumetric and surface-based advection-projection discretizations. We design a hybrid time-stepping algorithm that combines a FLIP domain and an adaptively remeshed Boundary Element Method (BEM) domain for the incompressible Euler equations. The resulting framework captures the detailed water splashes near moving objects with FLIP, and produces convincing water waves with correct dispersion relationship at modest additional cost.


翻译:大型开阔水面的模拟对于纳维埃-斯托克斯方程式的统一体积分解具有挑战性。水在移动物体附近喷洒,而水波的高度场法无法捕捉,因此需要高分辨率模拟,如流体-浸泡粒(FLIP)法。另一方面,FLIP对于长效水波是无效的,因为长效水波传播到长距离,需要足够深的深度才能纠正分散关系。本文展示了一种新的方法,通过体积和地表对流分解的有效混合处理这一两难困境。我们设计了一个混合时间步算法,将FLIP域和不可压缩电动方程式的适应性再铺整边界元法(BEM)域结合起来。由此形成的框架捕捉到与FLIP相近移动物体的详细水喷洒,并以少量的额外费用产生具有正确分散关系的令人信服的水波。

0
下载
关闭预览

相关内容

专知会员服务
25+阅读 · 2021年4月2日
Python编程基础,121页ppt
专知会员服务
48+阅读 · 2021年1月1日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
专知会员服务
60+阅读 · 2020年3月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月11日
Arxiv
0+阅读 · 2021年10月10日
Scale-Aware Trident Networks for Object Detection
Arxiv
4+阅读 · 2019年1月7日
Learning to Importance Sample in Primary Sample Space
VIP会员
相关VIP内容
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【NIPS2018】接收论文列表
专知
5+阅读 · 2018年9月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员