This paper presents a one-sided immersed boundary (IB) method using kernel functions constructed via a moving least squares (MLS) method. The resulting kernels effectively couple structural degrees of freedom to fluid variables on only one side of the fluid-structure interface. This reduces spurious feedback forcing and internal flows that are typically observed in IB models that use isotropic kernel functions to couple the structure to fluid degrees of freedom on both sides of the interface. The method developed here extends the original MLS methodology introduced by Vanella and Balaras (J Comput Phys, 2009). Prior IB/MLS methods have used isotropic kernel functions that coupled fluid variables on both sides of the boundary to the interfacial degrees of freedom. The original IB/MLS approach converts the cubic spline weights typically employed in MLS reconstruction into an IB kernel function that satisfies particular discrete moment conditions. This paper shows that the same approach can be used to construct one-sided kernel functions (kernel functions are referred to as generating functions in the MLS literature). We also examine the performance of the new approach for a family of kernel functions introduced by Peskin. It is demonstrated that the one-sided MLS construction tends to generate non-monotone interpolation kernels with large over- and undershoots. We present two simple weight shifting strategies to construct generating functions that are positive and monotone, which enhances the stability of the resulting IB methodology. Benchmark cases are used to test the order of accuracy and verify the one-sided IB/MLS simulations in both two and three spatial dimensions. This new IB/MLS method is also used to simulate flow over the Ahmed car model, which highlights the applicability of this methodology for modeling complex engineering flows.


翻译:本文展示了一种单面沉降边界( IB) 方法, 使用通过移动最小平方( MLS) 方法构建的内核函数。 由此产生的内核实际上将结构自由度对准了结构结构接口的一边, 流到流体结构界面的一边。 这减少了在 IB 模型中通常观察到的虚假反馈力和内部流动, 这些模型使用异向内核函数, 将结构与界面两侧的自由度相匹配。 此处开发的方法扩展了 Vanella 和 Balaras 引入的最初 MLS 方法( J Comput Phys, 2009) 。 以前的 IB/ MLS 方法使用了异向性直流, 将边界边界两侧的流与内部自由度混合。 原始 IB/ MLS 方法将典型的立体螺旋重量转换成满足特定离散时的 IB 内核内核功能。 本文显示, 同一方法可以用来构建一面的内核内核功能( 内核函数指生成MLS 的双向内流函数 。 和双向内空的内核流) 。 我们用了双向内流的内核法 的内核法,, 向内流的内核的内核法演示方法将产生了内流的内流的内流的内核的内流,, 的内流的内核的内核的内核法 。

0
下载
关闭预览

相关内容

专知会员服务
116+阅读 · 2020年11月27日
【干货书】机器学习速查手册,135页pdf
专知会员服务
126+阅读 · 2020年11月20日
专知会员服务
201+阅读 · 2020年9月1日
机器学习速查手册,135页pdf
专知会员服务
342+阅读 · 2020年3月15日
【新书】Java企业微服务,Enterprise Java Microservices,272页pdf
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
MIT新书《强化学习与最优控制》
专知会员服务
277+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年6月10日
Arxiv
0+阅读 · 2021年6月8日
Arxiv
0+阅读 · 2021年6月7日
VIP会员
相关VIP内容
专知会员服务
116+阅读 · 2020年11月27日
【干货书】机器学习速查手册,135页pdf
专知会员服务
126+阅读 · 2020年11月20日
专知会员服务
201+阅读 · 2020年9月1日
机器学习速查手册,135页pdf
专知会员服务
342+阅读 · 2020年3月15日
【新书】Java企业微服务,Enterprise Java Microservices,272页pdf
Stabilizing Transformers for Reinforcement Learning
专知会员服务
60+阅读 · 2019年10月17日
MIT新书《强化学习与最优控制》
专知会员服务
277+阅读 · 2019年10月9日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
基于 Carsim 2016 和 Simulink的无人车运动控制联合仿真(四)
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
TCN v2 + 3Dconv 运动信息
CreateAMind
4+阅读 · 2019年1月8日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Soft-NMS – Improving Object Detection With One Line of Code
统计学习与视觉计算组
6+阅读 · 2018年3月30日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7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
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