Second-order phase field models have emerged as an attractive option for capturing the advection of interfaces in two-phase flows. Prior to these, state-of-the-art models based on the Cahn-Hilliard equation, which is a fourth-order equation, allowed for the derivation of surface tension models through thermodynamic arguments. In contrast, the second-order phase field models do not follow a known energy law, and deriving a surface tension term for these models using thermodynamic arguments is not straightforward. In this work, we justify that the energy-based surface tension model from the Cahn-Hilliard context can be adopted for second-order phase field models as well and assess its performance. We test the surface tension model on three different second-order phase field equations; the conservative diffuse interface model of Chiu and Lin [1], and two models based on the modified Allen-Cahn equation introduced by Sun and Beckermann [2]. Additionally, we draw the connection between the energy-based model with a localized variation of the continuum surface force (CSF) model. Using canonical tests, we illustrate the lower magnitude of spurious currents, better accuracy, and superior convergence properties of the energy-based surface tension model compared to the CSF model, which is a popular choice used in conjunction with second-order phase field methods, and the localized CSF model. Importantly, in terms of computational expense and parallel efficiency, the energy-based model incurs no penalty compared to the CSF models.


翻译:第二阶阶段实地模型已成为一种具有吸引力的选择,可以捕捉两阶段流中界面的对流。在此之前,基于Cahn-Hilliard等式的最先进的模型,即第四阶方程式,允许通过热力学参数衍生表面紧张模型。相比之下,第二阶阶段实地模型并不遵循已知的能源法,而采用热力学参数为这些模型得出表面紧张的术语并非直截了当。在这项工作中,我们证明,在第二阶阶段的实地模型中,可以采用Cahn-Hilliard环境的基于能源的表面紧张模型,并评估其性能。我们用三种不同的第二阶阶段的实地方程式测试地表紧张模型;Chiu和Lin [1] 的保守扩散界面模型,以及根据Sun和Beckermann引进的修改的Allen-Cahn方程式[2] 得出的两个模型。此外,我们把基于能源的模型与连续地面力量模型的局部变异联系起来。我们用基于理论的测试,我们用C级标准测试来说明地价SF的较低规模,C级模型与当前成本成本的精确度比比。在C级模型中,C级模型中,C级模型与C级模型与C级比较的精度比。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+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 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2022年11月30日
VIP会员
相关资讯
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24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
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2016年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+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 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员