We introduce Spline Moment Equations (SME) for kinetic equations using a new weighted spline ansatz of the distribution function and investigate the ansatz, the model, and its performance by simulating the one-dimensional Boltzmann-BGK equation. The new basis is composed of weighted constrained splines for the approximation of distribution functions that preserves mass, momentum, and energy. This basis is then used to derive moment equations using a Galerkin approach for a shifted and scaled Boltzmann-BGK equation, to allow for an accurate and efficient discretization in velocity space with an adaptive grid. The equations are given in compact analytical form and we show that the hyperbolicity properties are similar to the well-known Grad moment model. The model is investigated numerically using the shock tube, the symmetric two-beam test and a stationary shock structure test case. All tests reveal the good approximation properties of the new SME model when the parameters of the spline basis functions are chosen properly. The new SME model outperforms existing moment models and results in a smaller error while using a small number of variables for efficient computations.


翻译:我们引入了运动方程式的 Spline Modes 等式( SME), 使用一种新的加权分配函数的 Spline 样板 ansatz, 通过模拟单维的 Boltzmann- BGK 等式, 来调查 ansatz 、 模型及其性能。 新基础由用于保持质量、 动力和能量的分布函数近似值的加权限制的 Sprine 样板组成 。 然后, 这个基数被用来使用 Galerkin 法来计算时空方程, 用于移动和缩放的 Boltzmann- BGK 等式, 以便在具有适应性网格的速度空间中实现准确和高效的离散化。 等式以压缩分析形式给出, 我们显示超偏差特性与已知的重力时钟模型相似 。 该模型是使用冲击管、 线性两波束测试和定点冲击结构测试案例进行数字性调查的。 所有测试都显示新中小企业模型在正确选择样基函数参数时的良好近度特性。 新的中小企业模型超越现有时, 在使用一个小的时, 节点模型时则以小的误差模型, 。

0
下载
关闭预览

相关内容

专知会员服务
28+阅读 · 2021年8月2日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
专知会员服务
159+阅读 · 2020年1月16日
【干货】大数据入门指南:Hadoop、Hive、Spark、 Storm等
专知会员服务
95+阅读 · 2019年12月4日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Highway Networks For Sentence Classification
哈工大SCIR
4+阅读 · 2017年9月30日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11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
Arxiv
0+阅读 · 2021年10月20日
VIP会员
相关资讯
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
Linguistically Regularized LSTMs for Sentiment Classification
黑龙江大学自然语言处理实验室
8+阅读 · 2018年5月4日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Highway Networks For Sentence Classification
哈工大SCIR
4+阅读 · 2017年9月30日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11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