Representing large-scale motions and topological changes in the finite volume (FV) framework, while at the same time preserving the accuracy of the numerical solution, is difficult. In this paper, we present a robust, highly efficient method designed to achieve this capability. The proposed approach conceptually shares many of the characteristics of the cut-cell interface tracking method, but without the need for complex cell splitting/merging operations. The heart of the new technique is to align existing mesh facets with the geometry to be represented. We then modify the matrix contributions from these facets such that they are represented in an identical fashion to traditional boundary conditions. The collection of such faces is named a Generalised Internal Boundary (GIB). In order to introduce motion into the system, we rely on the classical ALE (Arbitrary Lagrangian-Eulerian) approach, but with the caveat that the non-time-dependent motion of elements instantaneously crossing the interface is handled separately from the time dependent component. The new methodology is validated through comparison with: a) a body-fitted grid simulation of an oscillating two dimensional cylinder and b) experimental results of a butterfly valve.


翻译:代表数量有限(FV)框架的大规模动议和地形变化,同时保持数字解决办法的准确性,是困难的。本文提出一种为实现这一能力而设计的有力、高效的方法。提议的方法在概念上分享切入细胞界面跟踪方法的许多特点,但不需要复杂的细胞分裂/合并操作。新技术的核心是使现有的网格方面与要代表的几何结构相协调。然后我们修改这些方面的矩阵贡献,使其与传统边界条件相同。这些面孔的收集称为通用的内部边界(GIB)。为了将运动引入系统,我们依靠传统的ALE(任意拉格朗吉亚-尤莱里安)方法,但告诫说,不依赖时间的元素瞬间穿越界面的动作与时间依赖部分分开处理。新的方法通过与以下的比较得到验证:a)为结构设计的电网模模拟,显示2维的气瓶和b)一个阀门的试验结果。

0
下载
关闭预览

相关内容

因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19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
2019年机器学习框架回顾
专知会员服务
35+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10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
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
5+阅读 · 2018年5月1日
Arxiv
4+阅读 · 2018年4月30日
Arxiv
4+阅读 · 2018年4月26日
Arxiv
5+阅读 · 2018年1月30日
Arxiv
7+阅读 · 2018年1月21日
VIP会员
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Arxiv
5+阅读 · 2018年5月1日
Arxiv
4+阅读 · 2018年4月30日
Arxiv
4+阅读 · 2018年4月26日
Arxiv
5+阅读 · 2018年1月30日
Arxiv
7+阅读 · 2018年1月21日
Top
微信扫码咨询专知VIP会员