From the steady Stokes and Navier-Stokes models, a penalization method has been considered by several authors for approximating those fluid equations around obstacles. In this work, we present a justification for using fictitious domains to study obstacles immersed in incompressible viscous fluids through a simplified version of Brinkman's law for porous media. If the scalar function $\psi$ is considered as the inverse of permeability, it is possible to study the singularities of $\psi$ as approximations of obstacles (when $\psi$ tends to $\infty$) or of the domain corresponding to the fluid (when $\psi = 0$ or is very close to $0$). The strong convergence of the solution of the perturbed problem to the solution of the strong problem is studied, also considering error estimates that depend on the penalty parameter, both for fluids modeled with the Stokes and Navier-Stokes equations with inhomogeneous boundary conditions. A numerical experiment is presented that validates this result and allows to study the application of this perturbed problem simulation of flows and the identification of obstacles.


翻译:从稳定的 Stokes 和 Navier- Stokes 模型中, 数位作者审议了一种惩罚方法, 以近似于障碍周围的流体方程式。 在这项工作中, 我们提出使用虚构域的理由, 通过简化版的布林克曼法则, 研究渗漏媒体中浸泡在不可压缩的粘结液中的障碍。 如果将卡路里函数 $\ psi 视为反渗透性参数, 可以研究 $\ psi 的奇数, 即障碍近似值( 当$=psi 以 $= infty$为单位时) 或与液体对应的域( 当$\psi= $= 0或非常接近 $ ) 。 正在研究如何将周遭问题的解决办法与强烈问题的解决方案紧密一致起来。 同时考虑取决于罚款参数的误差估计值, 两者都是用斯托克斯 和 纳维- Stokes 等同无色边界条件的液体的近似值。 一项数字实验展示了这个模拟结果, 并允许对每张床障碍进行研究。

0
下载
关闭预览

相关内容

【KDD2021】图神经网络,NUS- Xavier Bresson教授
专知会员服务
63+阅读 · 2021年8月20日
专知会员服务
51+阅读 · 2021年6月30日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22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
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6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