In this paper, a new family of very-high-order TENO schemes with adaptive accuracy order and adaptive dissipation control (TENO-AA) is proposed. The new framework allows for constructing arbitrarily high-order TENO schemes in a unified paradigm and the yielded nonlinear schemes gradually reduce to low-order reconstructions by judging the smoothness with the ENO-like stencil selection strategy. In order to control the nonlinear numerical dissipation adaptively, the flow scales are first measured by examining the first-order undivided difference and the cut-off constant $C_T$ in the TENO weighting strategy is adapted based on the corresponding measurement. With one set of optimal parameters, the newly proposed TENO schemes are designed to deliver excellent performance for predicting highly compressible flows with a wide range of Mach numbers. While the new very-high-order TENO schemes feature good robustness for conventional gas dynamics, the ENO-property is well preserved with the assistant of a positivity-preserving flux limiter for extreme simulations. Without loss of generality, the typical eight- and ten-point TENO-AA schemes are constructed. A set of benchmark simulations are computed to demonstrate the performance of the proposed TENO schemes.


翻译:在本文中,提出了一套具有适应性准确顺序和适应性散射控制的极高级TENO计划(TENO-AA)的新组合,新框架允许在统一范式中建立任意高端TENO计划,并产生非线性计划,通过与ENO类的Stencils选择战略的顺利性判断,逐渐缩小到低级重建。为了以适应性的方式控制非线性数字散射,首先通过检查第一级分解差异和TENO加权战略的截断常值$C_T$来测量流动尺度,根据相应的测量调整了TENO加权战略中的截取常值常值。新提议的TENO计划有一套最佳参数,目的是通过预测高可折叠式流量的低级重建。虽然新的极高级TENO计划在传统气体动态中具有很强的稳健性,但是在极端模拟中保留了ENO-正性通量性通量限制的辅助因素,在不丧失一般性的情况下,拟议的TENO-A模拟计划典型的八点和十点性模拟模拟计划是已经建立起来的。

0
下载
关闭预览

相关内容

机器学习系统设计系统评估标准
专知会员服务
21+阅读 · 2021年9月23日
专知会员服务
52+阅读 · 2021年6月14日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
4+阅读 · 2018年6月26日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
A flexible split-step scheme for MV-SDEs
Arxiv
0+阅读 · 2021年11月22日
Arxiv
0+阅读 · 2021年11月19日
A General and Adaptive Robust Loss Function
Arxiv
8+阅读 · 2018年11月5日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
已删除
将门创投
4+阅读 · 2018年6月26日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15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