Hydraulické lomy: Mechanismus tvorby komplexních lomových sítí
Výzkumný článek | Otevřený přístup
Ročník 2022 | ID článku 4121956 | https://doi.org/10.1155/2022/4121956
Zobrazit citaci
Hossein Goudarzvand Chegini
1 a Gholamreza Zarepour 2
Akademický redaktor: Bi Jing
Přijaté Listopadu 15 2021
Přijato 22 2022 února
Zveřejněno Dubna 11 2022
Abstraktní
Tento článek představuje model tekutého sloshingu pomocí metody umělé neuronové sítě (ANN). Určení modelu kapání kapaliny v nádrži je náročný úkol kvůli jeho nelinearitě a složitosti chování vůči okolním a provozním podmínkám. Vzhledem k problémům laboratorního modelování lze použití numerického modelování k analýze tohoto jevu ospravedlnit. V tomto článku je nejprve simulováno tryskání tekutiny v nádrži metodou hydrodynamiky hladkých částic (SPH). Ze získaných výsledků vycházejí vstupně-výstupní data pro trénování umělé neuronové sítě. A konečně, maximální síla způsobená tryskáním tekutiny je získána změnou různých parametrů.
1. Úvod
Sloshing označuje oscilace volného povrchu tekutiny v částečně naplněné nádrži. Přítomnost volného povrchu v kapalině je nutná pro tříštění, což představuje výzvu dynamické interakce kapalina-struktura [1]. Mnoho studií kapalného sloshingu v nádržích bylo provedeno pomocí modelových testů pro různé buzení, výplně, tvary oddělení a vnitřní konfigurace ([2–4], stejně jako efekty kapalného sloshingu pro pohyby lodí [5]. Většina stávajících laboratoří Na druhé straně experimenty jsou pro víceúrovňové modely spíše než pro skutečné lodě. K řešení problému kapalného sloshingu je implementována řada numerických přístupů založených na omezeních teoretických a laboratorních studií. Většina studií se však zaměřila na mřížkové technika, která by mohla vyžadovat speciální algoritmy při sledování pohybu volného povrchu. Numerické metody pro řešení inženýrských problémů zahrnují několik kroků. Prvním krokem je výběr správných řídících rovnic, které dokážou modelovat problém s určitou úrovní přesnosti. Krokem je diskrétní tyto řídící parciální diferenciální rovnice Nejběžnější diskretizační techniky jsou metody konečných diferencí, konečných objemů a konečných prvků. Všechny tyto metody diskretizují kontinuum na prvky spojené topologickou sítí. Při modelování problémů, jako je exploze, náraz nebo interakce kapalina-struktura s velkými deformacemi, však tyto metody vyžadují proces adaptivního přesíťování (Liu, 2010). Protože stříkání kapaliny v nádržích je spojeno s velkými deformacemi, mají numerické metody, jako jsou metody konečných prvků a další techniky, mnoho problémů, jako je numerická distribuce kvůli přenosu výrazu, kontinuitě a nepružnosti povrchu bez kapaliny při použití těchto metod. V posledním desetiletí se pro simulaci a různé aplikace používaly bezsíťové metody.
Jednou z nemřížkových metod je metoda hydrodynamiky hladkých částic. Sloshing tok byl studován pomocí procesu SPH ([6–9]. Tato studie byla zaměřena na zlepšení schopnosti metody SPH správně simulovat tok sloshing a vypočítat nárazový tlak pomocí přesnější integrace s časovým krokem a zjednodušeného zpracování okrajových stavů Qiao et al. [10] vyvinuli nový spojený model založený na vlnkové transformaci pro předpovídání krátkodobých koncentrací PM10 [10]. Peng et al [11] zkoumali, jak je výkon měření ovlivněn přítomností usměrňovačů při použití břidlicového plynu. Lind a spol. ). lze vytvořit kombinací lokálních vlnových akustických vzorů (LWAP) a neuronových sítí s vícevrstvými perceptrony (MLP). Nejprve vylepšují Whale Optimization Algorithm (WOA) a poté optimalizují parametry klasifikátoru [12]. Byl proveden rozsáhlý výzkum modelování fluidního sloshingu. [13] Modelování tekutého sloshingu v nosné nádrži bylo provedeno dvěma způsoby: mechanickým modelem (kyvadlo) a simulací na základě metody SPH. V tomto výzkumu byla zkoumána otázka převrácení cisterny s kapalinou. Simulace chování sloshingu v nádrži byla provedena dvěma metodami, CFD a SPH [3]. Výsledky obou metod jsou porovnány [14] a metoda SPH je použita k modelování jevu tekutého sloshingu. Algoritmus použitý v této metodě k řešení Poissonových a tlakových rovnic hybnosti zahrnuje různé podalgoritmy, jako je korekce gradientu jádra, algoritmy posunu částic, kalkulátory viskozity sloshing a detektory volného povrchu. Rovněž byla studována a vyhodnocena velikost přepážek v nádrži pro snížení šlehání. Jak bylo vidět ve všech předchozích výzkumech, byly uvažovány simulace konstantního objemu. V prostorových aplikacích povede změna objemu tekutiny v nádrži ke změnám v chování sloshing. Na druhé straně jsou dalším důležitým bodem této studie různé způsoby pohybu v nádrži a vytlačování tekutiny vzhledem k nádrži a její účinky na velikost síly vytvořené pro zkoumání maximálního tlaku.
Navíc, i když je technika modelování SPH běžně používána ve vědecké komunitě, bylo publikováno jen málo technických implementací kvůli její relativně vysoké výpočetní ceně. Určit zcela přesný model chování fyzikálního jevu je náročný úkol. Dnes je však možné pomocí výpočetních výrazů, zejména umělé inteligence, získat model blízký chování onoho jevu. Model je matematická reprezentace reálného systému, kterou lze sestavit na základě různých metod [18]. Vzhledem k tomu, že většina systémů má nelineární a komplexní chování, modelování by mělo být založeno na přístupu založeném na fyzikálních mechanismech řídících chování systému. Takto získané modely mají dostatečnou aproximaci skutečného procesu [19]. Pro identifikaci systému bylo navrženo mnoho metod. Z dostupných metod lze jako jeden z důležitých nástrojů pro určování k modelování použít metodu umělé neuronové sítě. V posledních letech byl v některých článcích studován kombinační model založený na vlnkové transformaci pro predikci zemního plynu na základě metody strojového učení [20, 21]. Bylo provedeno mnoho výzkumů o použití simulačních dat k trénování neuronových sítí [22]. K predikci aerodynamických koeficientů se používá neuronová síť. Tréninková data pro neuronovou síť jsou odvozena z testovacích měření v aerodynamickém tunelu a numerických simulací. Je také prezentována srovnávací studie výkonu predikce neuronové sítě na základě různých přenosových funkcí a velikostí vzdělávacích datových souborů. Peng a kol. [23] implementovali model, který denně předpovídá zatížení zemním plynem pomocí dlouhodobých krátkodobých pamětí, lokálních středních rozkladů a algoritmů pro odšumování prahových hodnot vlnek. [24] Používá se běžná modelovací metoda využívající strojové učení na základě simulačních dat. V tomto výzkumu je prostřednictvím simulačního modelu vytvořen hypotetický model a jsou prezentovány potřebné parametry a funkce pro modelování pomocí modelu umělé neuronové sítě (strojové učení) [25]. Neuronová síť se používá k predikci parametrů vznětového motoru, jako je brzdný výkon, výstupní točivý moment, specifická spotřeba paliva brzd, tepelná účinnost brzd a objemová účinnost. Vstupní data pro trénování sítě byla získána z laboratorních a simulačních výsledků. Trénink dat byl založen na algoritmu backpropagation. Noghrehabadi a kol. (2020) zkoumali, jak různé tepelné toky ovlivňují chování při tání materiálů fázového přechodu, když jsou obklopeny kovovou pěnou. K tomu byl použit dvourozměrný numerický model, který bral v úvahu nerovnovážnou tepelnou složku, neDarcyho efekt a místní přirozenou konvekci [26]. Liu a kol. [27] použili CFD model problému eroze odkalovacího ventilu ke studiu simulace eroze a strategie zlepšování pro odkalovací systém separátoru. Program pro analýzu průtokového pole nazvaný FLUENT se používá k simulaci a vyhodnocení eroze odkalovacího ventilu za různých tlaků, velikosti a tvarového faktoru pískových částic, hustoty pískových částic a koncentrace odpadních sedimentů a je určen hlavní problém eroze odkalovacího systému. [27]. Schmid a kol. [28] prezentují optimální nastavení stroje při zpracování polymerů pomocí modelu strojového učení založeného na simulaci. V tomto výzkumu se porovnávají různé algoritmy strojového učení pod dohledem a nejlepší přístup v experimentech na skutečném stroji se předpovídá pomocí počátečního nastavení zařízení. Behbahan a kol. [29] ve studii použili kombinaci kovová pěna/PCM s fázovou změnou, u které bylo prokázáno, že je jednou z nejslibnějších technik pro zvýšení tepelné vodivosti na PCM. Zjištění ukazují, že výběr poměru stran, který usnadňuje přenos tepla vedením i prouděním, je extrémně důležitý [29]. Peng a kol. [30] analyzovali roli počítačových nástrojů fluidní dynamiky při studiu přenosu patogenů. Pomocí CFD modelů studovali vzdušné patogeny [30].
V předchozí studii bylo zkoumáno chování kapaliny sloshing na základě predikce křivky vlny kapaliny a vstupní data neuronové sítě zahrnovala polohu, rychlost a zrychlení nádrže a výsledkem neuronové sítě byl model sloshing vlnové křivky. Ale v tomto novém článku je chování sloshing uvažováno na základě změn ve fyzikálních parametrech kapaliny a nádrže. Tento článek simuluje změny parametrů, jako je objem tekutiny, poloha tekutiny, poloha nádrže a rozsah pohybu pro různé vstupy. Poté je na základě získaných hodnot určen sloshing model pomocí metody neuronové sítě. Byla vyhodnocena neuronová síť pro predikci křivky vln tekutiny v nádrži a další chování sloshing na základě vlny. Podmínky v nádrži a kapalině byly v předchozím článku považovány za konstantní. Tato studie byla zaměřena na určení modelu kapání kapaliny v nádrži na základě různých vstupů. Změny objemu kapaliny, rychlosti nádrže a amplitudy pohybu nádrže mohou způsobit různé výsledky v chování kapaliny. Za tímto účelem se nejprve používá hydrodynamická metoda hladkých částic k simulaci tekutiny v nádrži. Různé stavy jsou uvažovány na základě jejich proměnných vstupů a jsou určeny síly způsobené prouděním tekutiny. Umělá neuronová síť se používá k modelování sloshingu tekutiny v dalším kroku. Tato síť je trénována na základě vstupních a výstupních dat (výsledky simulace SPH). Vstupní data zahrnují změny v objemu tekutiny, rychlosti vytlačování a rychlosti nádrže a výstupní data zahrnují maximální sílu generovanou šploucháním tekutiny.
2. Rozhodující rovnice v simulaci tekutin
2.1. Matematický model
Protože se má za to, že tekutina je nestlačitelná, iracionální a nevazká voda, je čvachtání v nádržích definováno pomocí teorie potenciálního proudění. Povrchové napětí je ignorováno. Jak je vidět na obrázku 1, doménou je tuhá obdélníková nádoba s uspořádáním přepážky a bez ní, která je částečně naplněna kapalinou. Má se za to, že se volná plocha nikdy nepřevrátí nebo neprolomí během operace tříštění. Délka obdélníkové nádrže a hloubka vody jsou L a h. Zvažte případ obdélníkové tuhé nádrže, která byla vystavena bočnímu sinusovému buzení
) [32]. Linearizované rovnice pole tekutiny pro dvourozměrný pohyb tekutiny za předpokladu malé amplitudy buzení a malé odezvy tekutiny jsou následující:
Cíl: 1. Provést simulace tryskání kapaliny v převodovce za účelem vizualizace dosahu kapaliny přes zuby ozubeného kola. 2. Implementovat metody dynamické sítě a uživatelsky definované funkce pro tuto aplikaci. Úvod: Sloshing tekutiny: V dynamice tekutin se slosh vztahuje k pohybu kapaliny uvnitř…
Rohit Kumar aktualizováno 20. srpna 2022
Děkujeme, že jste se rozhodli zanechat komentář. Mějte prosím na paměti, že všechny komentáře jsou moderovány podle našich zásad pro komentáře a váš e-mail nebude zveřejněn z důvodu ochrany osobních údajů. Zanechte prosím osobní a smysluplný rozhovor.
Chcete-li přidat komentář, přihlaste se
Zatím žádné komentáře!
Buďte první, kdo přidá komentář
Přečtěte si více Projekty Rohita Kumara (30)
3. týden — Řešení ODR druhého řádu
Cíl: Vyřešit ODR druhého řádu, která ovládá kyvadlo, pomocí funkce odeint a vytvořit animaci kyvadla. Problém: Diferenciální rovnice jsou rovnice, které se používají k předpovědi chování těles. A jejich řešení je jedním z nejdůležitějších aspektů. Řídící rovnice…
04. února 2023 11:35 IST
2. týden Standardní cyklus vzduchu
Cíl: Vykreslit PV diagram otto cyklu a vypočítat tepelnou účinnost. Kód Pythonu: import math import matplotlib.pyplot as plt import numpy as np def engine_kinematics(vrtání, zdvih, cr, l, start_angle, end_angle): # pro výpočet hodnot objemu při různých úhlech kliky pro procesy komprese a expanze…
02. února 2023 06:53 IST
2. týden: Základní kalibrace jednoválcového zážehového motoru
Cíl: Spustit simulaci jednoválcového zážehového motoru při 1800 ot./min, pochopit a analyzovat důležité parametry a zvýšit výkon při 3600 ot./min o 10 %. Prohlášení o problému: 1. Spusťte skříň při 1800 ot./min a vypište důležité parametry (20 marek) průtok vzduchu BMEP BSFC Tlak ve válci 2. Zvyšte…
23. října 2022 11:24 IST
1. týden: Prozkoumání GUI GT-POWER
Cíl: Chcete-li prozkoumat GUI GT-Power, najděte uvedená nastavení, prozkoumejte tutoriál intercooler a vyřešte problém. Prohlášení o problému: 1. Prozkoumejte GUI GT SUITE a vyjmenujte dostupné moduly se stručným popisem. (15 bodů) 2. Najděte následující nastavení: Příznak řízení času (5 bodů) Časový krok a…
28. září 2022 11:55 IST
Výzva 5. týdne: Povrchová úprava na automobilové montáži
Cíl: Chcete-li zkontrolovat geometrické chyby, odstranit nežádoucí povrchy, sloučit všechny tři geometrie a vytvořit povrchový obal na automobilové sestavě. Pracovní metodika: Pracovní metodika, která se používá při vytváření povrchového zalomení na jakékoli geometrii, je: 1. Importujte geometrii. 2. Odstraňte nežádoucí povrchy. 3. Zavřete…
20. září 2022 11:29 IST
Projekt 1: CFD síťování pro Tesla Cyber Truck
Cíl: Zkontrolovat a vyřešit všechny geometrické chyby, přiřadit příslušné PID a provést plošnou síť na geometrii kybernetického nákladního vozidla a také na površích aerodynamického tunelu. Pracovní metodika: Pracovní metodika, která se používá pro generování sítě na jakékoli geometrii, je: 1. Importujte geometrii. 2. Zkontrolujte geometrické chyby.…
13. září 2022 07:24 IST
Výzva týdne 4: CFD síťování pro vůz BMW
Cíl: Zkontrolovat a vyřešit všechny geometrické chyby na poloviční části, přiřadit příslušné PID a vygenerovat povrchovou síť na geometrii vozu BMW a povrchu aerodynamického tunelu. Pracovní metodika: Pracovní metodika, která se používá pro generování sítě na jakékoli geometrii, je: 1. Importujte geometrii. 2. Zkontrolujte geometrické chyby.…
10. září 2022 04:30 IST
Výzva týdne 3: CFD záběr na turbodmychadle
Cíl: Chcete-li zkontrolovat chyby, proveďte vyčištění geometrie a vygenerujte povrchovou a objemovou síť na turbodmychadle. Úvod: Turbodmychadlo se skládá z kola kompresoru a kola turbíny výfukových plynů spojených s pevnou hřídelí, která se používá ke zvýšení tlaku nasávaného vzduchu spalovacího motoru. The…
26. srpna 2022 06:49 IST
Výzva týdne 2: Povrchové záběry na tlakovém ventilu
Cíl: Chcete-li zkontrolovat geometrické chyby, proveďte vyčištění topologie a vygenerujte plošnou síť na tlakovém ventilu. Pracovní metodika: Pracovní metodika, která se používá pro generování sítě na jakékoli geometrii, je: 1. Importujte geometrii. 2. Zkontrolujte geometrické chyby. 3. Čištění geometrie. 4. Přiřazení příslušných PID.…
25. srpna 2022 05:21 IST
6. týden — Pochopení analýzy stability v lineárních systémech
Cíl: Vidět vliv vlastních čísel a spektrálního poloměru na rychlost konvergence při řešení lineárního systému rovnic pomocí různých iteračních metod, jako jsou metody Jacobi, Gauss Siedel a Postupné nadměrné relaxace. Matlab kód: Hlavní kód: vymazat vše zavřít vše clc % řešení lineárního systému rovnic ax=b…
20. srpna 2022 12:00 IST
Týden 4.2 — Lineární konvekce pro různé časové kroky
Cíl: Vyřešit jednorozměrnou lineární konvekční rovnici, která částečně připomíná řídící rovnici hybnosti v Matlabu. A analyzovat, jak se řešení mění se změnou velikosti časových kroků. Kód Matlab: Psaní funkce, která vezme vstupní argument jako velikost časového kroku k analýze toho, jak…
20. srpna 2022 11:46 IST
Týden 4.1 — Lineární konvekce pro změnu počtu uzlů
Cíl: Vyřešit jednorozměrnou lineární konvekční rovnici, která částečně připomíná řídící rovnici hybnosti v Matlabu. A analyzovat, jak se řešení mění se změnou počtu uzlů. MATLAB kód : %řešení rovnice lineární konvekce %du/dt + c*du/dx=0 zavřít všechny clear vars clc %inputs L=1; % délka…
20. srpna 2022 11:43 IST
3.2. týden — Simulace systému ODR 2. řádu jednoduchého kyvadla
vymazat vše zavřít vše clc % řešení řídící rovnice kyvadla % d^2(theta)/dt^2 + b/m d(theta)/dt + g/L sin(theta) = 0 %vstupy b=0.5; %koeficient tlumení g=9.8; % gravitačního zrychlení m=1; % hmotnosti koule l=1; % délky kyvadla t= linspace(0,20,1000); % časový interval od 0 do 20 s je rozdělen rovným dílem…
20. srpna 2022 11:35 IST
Týden 3.1 — Kalkulačka stechiometrického spalování
Cíl: Najít stechiometrický koeficient ‚ar‘ a najít vztah mezi počtem atomů uhlíku ‚n‘ a stechiometrickým koeficientem ‚ar‘ pro alkany, alkeny a alkyny. Metodika řešení problémů: Vztahy mezi počtem atomů uhlíku ‚n‘, stechiometrickým koeficientem ‚ar‘, atomy vodíku ‚a‘, kyslíkem…
20. srpna 2022 11:30 IST
7. týden Simulace efektu tekutého sloshingu uvnitř převodovky
Cíl: 1. Provést simulace tryskání kapaliny v převodovce za účelem vizualizace dosahu kapaliny přes zuby ozubeného kola. 2. Implementovat metody dynamické sítě a uživatelsky definované funkce pro tuto aplikaci. Úvod: Sloshing tekutiny: V dynamice tekutin se slosh vztahuje k pohybu kapaliny uvnitř…
20. srpna 2022 11:24 IST
10. týden — Simulace spalování zemního plynu.
CÍL: 1. Simulovat spalování zemního plynu ve spalovací komoře. 2. Vykreslit hmotnostní zlomky různých druhů (CH4, O2, N2, CO2, H2O, NOx, saze). 3. Přidání vody do paliva a analýza tvorby sazí a znečišťujících látek NOx. Úvod: Spalovací reakce: Všechny spalovací reakce spadají do vzoru: …
20. srpna 2022 10:22 IST
9. týden — Parametrická studie šoupátka.
Cíl: 1. Provést simulaci proudění tekutiny na šoupátku. 2. Parametrizovat vzdálenost zdvihu od 10 mm do 80 mm a analyzovat hmotnostní průtok na výstupu. Úvod: Šoupátko je regulační ventil, který podle toho reguluje průtok tekutiny. Hlavní výhodou šoupátka je přímý průchod bez překážek…
13. srpna 2022 07:36 IST
6. týden — Analýza CHT na grafické kartě
Cíl: Provést analýzu konjugovaného přenosu tepla v ustáleném stavu na hypotetické grafické kartě. Úvod: Grafická karta je rozšiřující karta, která generuje přenos výstupních obrázků do zobrazovacího zařízení (jako je počítačový monitor). Základem je grafické zpracování…
08. srpna 2022 12:37 IST
4. týden — Analýza CHT na výfukovém portu
Cíl: 1. Provést analýzu konjugovaného přenosu tepla na výfukovém portu. 2. Vytvořit inflační vrstvy udržující hodnotu y+ podle zvoleného modelu turbulence. 3. Provést ověřovací studii. Úvod: Výfukové potrubí, které shromažďuje výfukové plyny motoru z více válců a dodává je do…
06. srpna 2022 08:02 IST
11. týden — Simulace průtoku potrubím v OpenFoam
Cíl: 1. Simulovat průtok potrubím s uvažováním osově symetrického řezu toku aplikací klínové okrajové podmínky. 2. Provádět ověřovací studie. Úvod : V praxi se běžně setkáváme s prouděním tekutin v kruhových i nekruhových potrubích. Teplá a studená voda, kterou používáme v našich domovech…
03. srpna 2022 01:53 IST
7. týden — Simulace 1D simulace proudění trysky Super-sonic pomocí metody Macormack
Cíl: Simulovat isentropické proudění kvazi-1D podzvukově-nadzvukovou tryskou řešením konzervativních i nekonzervativních forem řídících rovnic. Úvod: uvažujeme ustálený, isentropický tok konvergentně-divergentní tryskou, jak je znázorněno na obrázku níže. Průtok na vstupu do…
01. srpna 2022 12:57 IST
8. týden — Simulace kroku obráceného směrem dozadu v OpenFOAM
Cíl: Simulovat nestlačitelný, laminární, viskózní tok přes krok obrácený zpět v OpenFOAM a následné zpracování v Paraview. Úvod: Backward Facing Step (BFS) je široce známý pro svou aplikaci při studiu turbulence ve vnitřním proudění. Oddělení toku je způsobeno náhlými změnami v…
01. srpna 2022 05:07 IST
8. týden — Simulace cyklónového separátoru s modelováním diskrétní fáze
Cíl: 1. Provést analýzu na cyklónovém separátoru a analyzovat účinnost změnou velikosti částic a rychlosti proudění (rychlosti částic). 2. Implementovat model diskrétní fáze pro tuto aplikaci. Úvod : Cyklonové separátory nebo jednoduše cyklóny jsou separační zařízení, která využívají princip…
20. července 2022 11:32 IST
Týden 2- 2R Robotic Arm Challenge
Cíl: 1. Simulovat pracovní prostor manipulátoru připojeného k robotickému rameni. 2. Vytvořit animaci simulace. Robotické rameno se skládá ze dvou článků. Jeden konec prvního článku je připevněn k základně v (0,0) a otáčí se kolem pevného bodu. V závislosti na hodnotě theta1 (úhel vytvořený spojkou1 s…
15. června 2022 07:09 IST
5. týden — Nestabilita Rayleigh Taylor
Cíl: Provést Rayleigh Taylorovu nestabilitu s různými velikostmi ok a uživatelsky definovanou tekutinou, abychom porozuměli fyzice za nestabilitou a důležitosti Atwoodova čísla. Úvod: Nestabilita vrstvy těžké tekutiny podporované lehkou vrstvou je obecně známá jako Rayleigh-Taylor (RT) nestabilita. To…
08. června 2022 02:50 IST
3. týden — Simulace vnějšího proudění přes Ahmedovo těleso.
Cíl: 1. Provést externí simulace proudění přes Ahmedovo tělo. 2. Provést studii nezávislosti sítě. 3. Pochopit důležitost Ahmedova těla a fyziky za ním. Úvod: Optimalizovaná vnější aerodynamika vozu je nezbytná pro dosažení efektivních vozidel s minimalizovanou spotřebou paliva, CO2…
28. května 2022 08:15 IST
2. týden — Průtok přes válec.
Cíl: 1. Simulovat proudění přes válec pomocí stacionárních i nestabilních řešitelů a porozumět fenoménu Karman Vortex Street. 2. Pozorovat a analyzovat vliv Reynoldsova čísla na koeficient odporu. 3. Pochopit konvergenční kritéria. Úvod: Vnější toky kolem objektů byly…
25. května 2022 06:10 IST
1. týden – Míchací čaj
Cíl: 1. Provést simulace v ustáleném stavu za účelem pozorování proudového pole uvnitř geometrie T-přechodu (dlouhého i krátkého). Důvodem tohoto experimentu je, že uvnitř T-spojky může v důsledku rozdílných teplot na vstupech (horké a studené vstupy) dojít ke kolísání teploty na přilehlých stěnách. 2. Komu…
23. května 2022 12:32 IST
Týden 5.1 — Střednědobý projekt — Řešení problému ustáleného a nestabilního 2D vedení tepla
Cíl: Vyřešit 2D rovnici vedení tepla pro ustálený i nestabilní stav pomocí iteračních řešičů pomocí Jacobiho metody, Gauss-seidelovy metody a postupné nadměrné relaxace pro implicitní i explicitní schémata Teorie: případ 1: ustálený stav analýza, implicitní metoda. 2D rovnice vedení tepla…
18. května 2022 09:31 IST
Týden 3.5 — Odvození aproximace 4. řádu derivace 2. řádu pomocí metody Taylorovy tabulky
% výpočet aproximací čtvrtého řádu pro derivaci druhého řádu % f»(x) = a*f(x-2*dx)+b*f(x-dx)+c*f(x)+d*f(x +dx)+e*f(x+2*dx)/dx^2 % f(x) = exp(x)*cos(x) % analytický_derivát f'(x) = exp(x)*[cos(x ) — sin(x)] % f»(x) = — 2*exp(x)*sin(x) x=pi/3; analytický_derivative = — 2*exp(x)*sin(x) %výpočet druhého…
25. dubna 2022 10:12 IST
