CN111400946A - 用于涡流场自适应网格细化的需求驱动型特征识别方法 - Google Patents

用于涡流场自适应网格细化的需求驱动型特征识别方法 Download PDF

Info

Publication number
CN111400946A
CN111400946A CN202010162347.1A CN202010162347A CN111400946A CN 111400946 A CN111400946 A CN 111400946A CN 202010162347 A CN202010162347 A CN 202010162347A CN 111400946 A CN111400946 A CN 111400946A
Authority
CN
China
Prior art keywords
demand
helmholtz
function
velocity gradient
eddy current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010162347.1A
Other languages
English (en)
Other versions
CN111400946B (zh
Inventor
王福军
王超越
王本宏
赵浩儒
汤远
叶长亮
安东森
贾江婷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN202010162347.1A priority Critical patent/CN111400946B/zh
Publication of CN111400946A publication Critical patent/CN111400946A/zh
Application granted granted Critical
Publication of CN111400946B publication Critical patent/CN111400946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及工程计算流体力学技术领域，尤其涉及用于涡流场自适应网格细化的需求驱动型特征识别方法，包括确定由速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模和调函系数表示的经验需求因子；确定由速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模、经验需求因子和保真常数表示的涡变相极度；当对涡流场中的集中涡所在区域进行自适应网格细化时，取涡变相极度的阈值进行特征识别；当对涡流场中的剪切层所在区域进行自适应网格细化时，取涡变相极度的梯度进行特征识别。本发明的核心识别参数具有归一化和伽利略不变性的理论优势，其函数特征还可通过经验需求因子来调节以灵活应对典型的工程细化需求。

Description

用于涡流场自适应网格细化的需求驱动型特征识别方法
技术领域
本发明涉及工程计算流体力学技术领域，尤其涉及一种用于涡流场自适应网格细化的需求驱动型特征识别方法。
背景技术
涡流场自适应网格细化是保证高效工程计算的重要手段，而特征识别方法则是自适应网格细化过程中的基础工具。特征识别方法用于决定涡流场计算时需要细化的区域，其识别效果直接影响计算精度与计算效率。从目前的工程应用来看，在常用的特征识别方法中，即使是相对最优的Omega方法也未能达到这一目标，究其原因，在于目前的特征识别方法主要着眼于理论涡旋特征的识别，而并未从涡流计算中自适应网格细化需求的角度来被定义。特别地，在流体工程的数值计算中，以阈值法细化集中涡和以梯度法细化剪切层，是两种最常见的涡流场自适应网格细化需求，但目前相对“静态”的特征识别方法对此还无法灵活应对。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是现有的特征识别方法无法灵活应对流体工程中不同的涡流场自适应网格细化需求的问题。
(二)技术方案
为了解决上述技术问题，本发明提供了一种用于涡流场自适应网格细化的需求驱动型特征识别方法，包括：
S1，基于速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模的关系，确定由所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模和所述调函系数表示的经验需求因子；
S2，基于所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模、所述经验需求因子和保真常数的关系，确定由所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模、所述经验需求因子和所述保真常数表示的涡变相极度；
S3，当对涡流场中的集中涡所在区域进行自适应网格细化时，取所述涡变相极度的阈值进行特征识别；
S4，当对涡流场中的剪切层所在区域进行自适应网格细化时，取所述涡变相极度的梯度进行特征识别。
其中，所述S1中：
经验需求因子n应基于经验关系式
Figure BDA0002406246230000021
计算得到；
所述调函系数包括为第一调函系数m1、第二调函系数m2、第三调函系数m3和第四调函系数m4，VGS为速度梯度亥氏正对称分量的欧氏模，VGA为速度梯度亥氏反对称分量的欧氏模，δ为保真常数，th(·)为双曲正切函数，|·|为绝对值函数。
其中，所述S3中，所述第一调函系数m1＝0.0017，所述第二调函系数m2＝1.1557，所述第三调函系数m3＝0.8652，所述第四调函系数m4＝0.4993。
其中，所述S4中，所述第一调函系数m1＝0.0023，所述第二调函系数m2＝1.3356，所述第三调函系数m3＝0.7487，所述第四调函系数m4＝1.9987。
其中，所述S2中：
涡变相极度
Figure BDA0002406246230000031
的定义式为
Figure BDA0002406246230000032
其中，所述保真常数δ＝5.21×10-7。
(三)有益效果
本发明的上述技术方案具有如下优点：本发明实施例的用于涡流场自适应网格细化的需求驱动型特征识别方法，涡变相极度的值由速度梯度亥氏正、反对称分量的欧氏模和经验需求因子共同决定，经验需求因子在不同情况下基于不同的调函系数选择可获得不同的结果，因此可相应获得适应不同需求条件的涡变相极度，通过获得涡变相极度，在不同需求条件下对涡变相极度的参数进行特征识别。本发明的需求驱动型特征识别方法的核心识别参数不仅具有归一化和伽利略不变性的理论优势，而且其函数特征还可通过经验需求因子来调节以灵活应对典型的工程细化需求，阈值细化和梯度细化，能更好地兼顾计算精度与计算成本，可为保证流体工程数值计算的高效性奠定重要基础。
除了上面所描述的本发明解决的技术问题、构成的技术方案的技术特征以及有这些技术方案的技术特征所带来的优点之外，本发明的其他技术特征及这些技术特征带来的优点，将结合附图作出进一步说明。
附图说明
图1为水翼间隙泄漏涡(集中涡)示意图；
图2为集中涡管第一断面A处本发明与现有技术Omega方法的特征识别区对比图；
图3为集中涡管第二断面B处本发明与现有技术Omega方法的特征识别区对比图；
图4为集中涡管第三断面C处本发明与现有技术Omega方法的特征识别区对比图；
图5为集中涡管第一断面A处依现有技术Omega方法细化后的流线计算结果；
图6为集中涡管第一断面A处依本发明方法细化后的流线计算结果；
图7为圆柱绕流算例原始网格分布；
图8为圆柱绕流算例依本发明方法细化后的网格分布；
图9为本发明在圆柱绕流分离点位置预测结果；
图10为本发明在圆柱绕流涡脱落频率预测结果；
图11为本发明用于涡流场自适应网格细化的需求驱动型特征识别方法的操作流程图。
图中：
A：第一断面；B：第二断面；C：第三断面；D：泄露涡起始点；E：实验值；F；原始网格；G：本发明细化网格；
1-1：本发明第一阈值特征识别区；1-2：本发明第二阈值特征识别区；1-3：本发明第三阈值特征识别区；
2-1：现有技术Omega方法第一阈值特征识别区；2-2：现有技术Omega方法第二阈值特征识别区；2-3：现有技术Omega方法第三阈值特征识别区；
3：近壁剪切层；
4：自由剪切层。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，在本发明的描述中，除非另有说明，“多个”、“多根”、“多组”的含义是两个或两个以上，“若干个”、“若干根”、“若干组”的含义是一个或一个以上。
如图11所示，本发明实施例提供的用于涡流场自适应网格细化的需求驱动型特征识别方法，包括：
S1，基于速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模和调函系数的关系，确定由速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模和调函系数表示的经验需求因子；
S2，基于速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模、经验需求因子和保真常数的关系，确定由速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模、经验需求因子和保真常数表示的涡变相极度；
S3，当对涡流场中的集中涡所在区域进行自适应网格细化时，取涡变相极度的阈值进行特征识别；
S4，当对涡流场中的剪切层所在区域进行自适应网格细化时，取涡变相极度的梯度进行特征识别。
本发明实施例的用于涡流场自适应网格细化的需求驱动型特征识别方法，涡变相极度的值由速度梯度亥氏正、反对称分量的欧氏模和经验需求因子共同决定，经验需求因子在不同情况下基于不同的调函系数选择可获得不同的结果，因此可相应获得适应不同需求条件的涡变相极度，通过获得涡变相极度，在不同需求条件下对涡变相极度的参数进行特征识别。本发明的需求驱动型特征识别方法的核心识别参数不仅具有归一化和伽利略不变性的理论优势，而且其函数特征还可通过经验需求因子来调节以灵活应对典型的工程细化需求，阈值细化和梯度细化，能更好地兼顾计算精度与计算成本，可为保证流体工程数值计算的高效性奠定重要基础。
其中，步骤S1中：
经验需求因子n应基于经验关系式
Figure BDA0002406246230000061
计算得到；
调函系数包括为第一调函系数m1、第二调函系数m2、第三调函系数m3和第四调函系数m4，VGS为速度梯度亥氏正对称分量的欧氏模，VGA为速度梯度亥氏反对称分量的欧氏模，δ为保真常数，th(·)为双曲正切函数，|·|为绝对值函数。
本实施例中，基于经验需求因子的具体公式，可根据不同特征识别需求，获取不同的调函系数，从而求得不同的经验需求因子。
Figure BDA0002406246230000062
为双曲正切函数，
Figure BDA0002406246230000063
为绝对值函数。
其中，步骤S3中，第一调函系数m1＝0.0017，第二调函系数m2＝1.1557，第三调函系数m3＝0.8652，第四调函系数m4＝0.4993。
本实施例中，当需要对涡流场中的集中涡所在区域进行自适应网格细化时，取涡变相极度的阈值进行特征识别，此时经验需求因子基于公式
Figure BDA0002406246230000064
确定。
其中，步骤S4中，第一调函系数m1＝0.0023，第二调函系数m2＝1.3356，第三调函系数m3＝0.7487，第四调函系数m4＝1.9987。
本实施例中，当需要对涡流场中的剪切层所在区域进行自适应网格细化时，取涡变相极度的梯度进行特征识别，此时经验需求因子基于公式
Figure BDA0002406246230000071
确定。
其中，步骤S2中：
涡变相极度
Figure BDA0002406246230000072
的定义式为
Figure BDA0002406246230000073
本实施例中，基于涡变相极度的具体公式，可根据不同需求确定的经验需求因子，求得不同的涡变相极度，
本实施例中，保真常数的优选值为δ＝5.21×10-7。
如图1所示为水翼间隙泄漏涡示意图，此为流体工程中典型的集中涡，其涡管断面上的流动基本满足Lamb-Ossen理论涡模型(Vθ＝Γ(1-exp(-αr2/R2)/2πr)，常用阈值法进行涡流区的特征识别和自适应网格细化。本实施例以泄露涡起始点D为基准直接取三个流向位置处的第一断面A、第二断面B和第三断面C，且各断面上涡旋的速度环量Γ均为0.166m2/s，而刚性核半径R依次为1.9mm、5.7mm和11.4mm。首先采用相同尺寸对各断面进行原始网格划分，而后利用ANSYS软件进行数值计算。根据原始网格下的计算结果，分别用现有的Omega方法和本发明的需求驱动型特征识别方法进行集中涡特征识别，Omega方法的阈值取为局部最大值的0.86倍，本发明的阈值取为局部最大值的0.5倍，且此阈值对其它两断面是一致的，所以分别在第一断面A、第二断面B和第三断面C上，本发明第一阈值特征识别区1-1、本发明第二阈值特征识别区1-2和本发明第三阈值特征识别区1-3与现有技术Omega方法第一阈值特征识别区2-1、现有技术Omega方法第二阈值特征识别区2-2和现有技术Omega方法第三阈值特征识别区2-3的对比图依次如图2、图3和图4所示。在第一断面A处(原始网格相对最粗)，两种方法所识别的待细化区域的面积基本相等；在第二断面B处，Omega所识别的待细化区域的面积是本发明的1.54倍；在第三断面C处(原始网格相对最密)，Omega所识别的待细化区域的面积是本发明的1.82倍。以第一断面A为例，对两种方法各自识别到的待细化区域进行网格加密后再计算，所得流线的分布分别如图5和图6所示。显然，两种方法所得的结果基本一致，且均接近于理论真值。因此，在保证精度的条件下，Omega方法存在明显的过度细化问题，这将大大增加计算成本，而本发明则能更好地兼顾计算精度与计算成本。
如图7所示为圆柱绕流算例的原始网格分布，此流动中包含明显的近壁剪切层和自由剪切层。利用ANSYS软件在此原始网格上进行数值计算，并根据计算结果，利用本发明进行剪切层梯度特征识别并进行自适应网格细化，细化后的网格分布如图8所示。显然，本发明对近壁剪切层3、自由剪切层4和尾迹区都有明显的网格加密。再利用原始网格和本发明涡流场自适应网格细化方法细化后的网格分别进行瞬态计算，所得实验值E、原始网格F和本发明细化网格G在分离点位置和涡脱落频率的对比图依次如图9和图10所示，且本发明对两者预测结果与实验值的相对误差均在4％以内，完全满足流体工程的精度需求。因此，本发明对梯度细化需求也能灵活应对。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：包括：
S1，基于速度梯度亥氏正对称分量的欧氏模、速度梯度亥氏反对称分量的欧氏模和调函系数的关系，确定由所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模和所述调函系数表示的经验需求因子；
S2，基于所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模、所述经验需求因子和保真常数的关系，确定由所述速度梯度亥氏正对称分量的欧氏模、所述速度梯度亥氏反对称分量的欧氏模、所述经验需求因子和所述保真常数表示的涡变相极度；
S3，当对涡流场中的集中涡所在区域进行自适应网格细化时，取所述涡变相极度的阈值进行特征识别；
S4，当对涡流场中的剪切层所在区域进行自适应网格细化时，取所述涡变相极度的梯度进行特征识别。
2.根据权利要求1所述的用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：所述S1中：
经验需求因子n应基于经验关系式
Figure FDA0002406246220000011
计算得到；
所述调函系数包括为第一调函系数m1、第二调函系数m2、第三调函系数m3和第四调函系数m4，VGS为速度梯度亥氏正对称分量的欧氏模，VGA为速度梯度亥氏反对称分量的欧氏模，δ为保真常数，th(·)为双曲正切函数，|·|为绝对值函数。
3.根据权利要求2所述的用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：所述S3中，所述第一调函系数m1＝0.0017，所述第二调函系数m2＝1.1557，所述第三调函系数m3＝0.8652，所述第四调函系数m4＝0.4993。
4.根据权利要求2所述的用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：所述S4中，所述第一调函系数m1＝0.0023，所述第二调函系数m2＝1.3356，所述第三调函系数m3＝0.7487，所述第四调函系数m4＝1.9987。
5.根据权利要求2至4任意一项所述的用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：所述S2中：
涡变相极度
Figure FDA0002406246220000021
的定义式为
Figure FDA0002406246220000022
6.根据权利要求5所述的用于涡流场自适应网格细化的需求驱动型特征识别方法，其特征在于：所述保真常数δ＝5.21×10-7。
CN202010162347.1A 2020-03-10 2020-03-10 用于涡流场自适应网格细化的需求驱动型特征识别方法 Active CN111400946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010162347.1A CN111400946B (zh) 2020-03-10 2020-03-10 用于涡流场自适应网格细化的需求驱动型特征识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010162347.1A CN111400946B (zh) 2020-03-10 2020-03-10 用于涡流场自适应网格细化的需求驱动型特征识别方法

Publications (2)

Publication Number Publication Date
CN111400946A true CN111400946A (zh) 2020-07-10
CN111400946B CN111400946B (zh) 2022-03-22

Family

ID=71430817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010162347.1A Active CN111400946B (zh) 2020-03-10 2020-03-10 用于涡流场自适应网格细化的需求驱动型特征识别方法

Country Status (1)

Country Link
CN (1) CN111400946B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020143419A1 (en) * 2001-02-15 2002-10-03 Praun Emil C. Method and apparatus for generation of consistent parameterizations for a set of meshes
CN102945293A (zh) * 2011-11-30 2013-02-27 天津空中代码工程应用软件开发有限公司 一种模拟船舶螺旋桨伴流场的数值方法
CN103902810A (zh) * 2014-02-20 2014-07-02 河海大学 一种用于风力机的涡面/涡环混合自由涡尾迹方法
US20160298849A1 (en) * 2015-04-13 2016-10-13 Ansaldo Energia Switzerland AG Vortex generating arrangement for a pre-mixing burner of a gas turbine and gas turbine with such vortex generating arrangement
US20160377462A1 (en) * 2015-06-29 2016-12-29 Rolls-Royce Plc Fluid flow feature identification methods and tools
CN107014449A (zh) * 2017-04-21 2017-08-04 中国农业大学 修正泵站流量测量结果的方法
CN109241587A (zh) * 2018-08-14 2019-01-18 宁德师范学院 一种笼型感应电机涡流场的仿真分析方法及系统
CN109859311A (zh) * 2019-01-29 2019-06-07 河海大学 一种基于Liutex-Omega涡识别理论的空化流动数值模拟方法
CN110543677A (zh) * 2019-07-31 2019-12-06 中国农业大学 一种涡特征驱动的旋转湍流pans模型

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020143419A1 (en) * 2001-02-15 2002-10-03 Praun Emil C. Method and apparatus for generation of consistent parameterizations for a set of meshes
CN102945293A (zh) * 2011-11-30 2013-02-27 天津空中代码工程应用软件开发有限公司 一种模拟船舶螺旋桨伴流场的数值方法
CN103902810A (zh) * 2014-02-20 2014-07-02 河海大学 一种用于风力机的涡面/涡环混合自由涡尾迹方法
US20160298849A1 (en) * 2015-04-13 2016-10-13 Ansaldo Energia Switzerland AG Vortex generating arrangement for a pre-mixing burner of a gas turbine and gas turbine with such vortex generating arrangement
US20160377462A1 (en) * 2015-06-29 2016-12-29 Rolls-Royce Plc Fluid flow feature identification methods and tools
CN107014449A (zh) * 2017-04-21 2017-08-04 中国农业大学 修正泵站流量测量结果的方法
CN109241587A (zh) * 2018-08-14 2019-01-18 宁德师范学院 一种笼型感应电机涡流场的仿真分析方法及系统
CN109859311A (zh) * 2019-01-29 2019-06-07 河海大学 一种基于Liutex-Omega涡识别理论的空化流动数值模拟方法
CN110543677A (zh) * 2019-07-31 2019-12-06 中国农业大学 一种涡特征驱动的旋转湍流pans模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张扬等: "基于自适应混合网格的脱体涡模拟", 《航空学报》 *

Also Published As

Publication number Publication date
CN111400946B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
Ding et al. Regularizing activation distribution for training binarized deep networks
CN110059377B (zh) 一种基于深度卷积神经网络的燃料电池寿命预测方法
CN111427266B (zh) 一种针对带扰动的非线性系统辨识方法
CN110609975B (zh) 一种基于Kriging代理模型的并行计算全局优化方法
CN108090307B (zh) 一种基于积分平均温差法的多工况下板翅式换热器通道布局设计方法
CN111400946B (zh) 用于涡流场自适应网格细化的需求驱动型特征识别方法
CN115496138A (zh) 一种基于自然邻居的自适应密度峰值聚类方法
CN111125470A (zh) 一种提升异常数据挖掘筛选的方法
CN110765559B (zh) 一种套筒阀流量特性预测方法
CN112748665A (zh) 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
Kim et al. Fine-grained neural architecture search
CN109560726A (zh) 一种基于变角度预测控制的电压矢量区域选择方法
CN108594641B (zh) 基于中心频率不对称的陷波滤波器抑制伺服谐振的方法
Mandryka et al. Ways for improvement of reverse axial pumps
CN117454289A (zh) 一种低压配电台区相户关系识别方法及存储介质
CN109117537B (zh) 一种高压换流变压器端部角环布置的优化方法及装置
CN111933226B (zh) 一种基于分级分类模型的人工智能筛选材料方法
Vaezi et al. Optimum adaptive piecewise linearization: An estimation approach in wind power
Jepsen et al. Power consumption optimization for multiple parallel centrifugal pumps
CN115263467A (zh) 单抽热电联产抽凝机组运行功率上下限确定方法及系统
Clark A step towards an intelligent aerodynamic design process
Aggarwal et al. On Designing Light-Weight Object Trackers Through Network Pruning: Use CNNS or Transformers?
CN116933425B (zh) 一种离心式压缩机的性能预测方法及装置
Van der Maarel Adaptive multigrid for the steady Euler equations
CN113722858B (zh) 一种水表结构进行响应面优化方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant