排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
2.
智能赋能流体力学展望 总被引:1,自引:0,他引:1
人工智能(AI)是21世纪的前沿科技,流体力学如何在智能化时代焕发青春是值得本领域研究者思考的话题。从智能赋能流体力学角度,就其研究内涵、研究内容、近期研究及难点进行了总结,并对智能流体力学未来的发展进行了展望。研究指出,流体力学计算或试验中所产生的数据是天生的大数据,如何通过深度神经网络、随机森林、强化学习等机器学习方法来利用这些数据,缓解甚至替代理论和方法层面对人脑的依赖,挖掘新的知识,成为一种新的研究范式;相关研究将涵盖流动控制方程的机器学习、湍流模型的机器学习、物理量纲分析与标度的智能化以及数值模拟方法的智能化;借助人工智能技术,发展流动信息特征提取与多源数据融合的智能化是流体力学发展的迫切需求;研究内容应至少涵盖海量数据挖掘方法以及多源气动数据的智能融合;发展数据驱动的流体力学多学科、多物理场耦合建模与控制是工程应用的迫切需求,相关工作涉及多场耦合建模、气动外形智能优化设计以及流动智能自适应控制等方面。 相似文献
3.
CFD是解决流体相关复杂工程问题的重要手段,随着流体力学研究和工程应用问题的日益复杂,更高效、精确的CFD算法研究至关重要。提出了一种基于降阶模型(ROM)和梯度优化用于加速稳态流场的收敛方法。该方法首先收集CFD迭代求解过程中的流场快照构造基于正交分解(POD)的降阶模型,然后使用梯度优化方法求解降阶模型得到残差更低的流场,最后以该流场为初值继续进行CFD迭代求解从而加速CFD的收敛过程。将该方法用于基于有限体积法的CFD求解器中,针对无黏、湍流算例验证了所提加速收敛方法的有效性。结果表明,加速收敛方法相比于初始CFD方法迭代步数能显著减少2~3倍,是一种高效且鲁棒的加速收敛方法,且在复杂工程问题中具有广泛的应用前景。 相似文献
4.
5.
6.
刘溢 《北华航天工业学院学报》2010,20(2):24-25,28
分析了在工程项目管理中做好工程设计、设备采购、工程施工与合同、工程进度、工程试车及竣工验收等方面的过程控制,从而达到工程项目管理的要求和期望目标。 相似文献
7.
研究了时间谱方法求解周期性非定常流场的计算效率,并对时间谱方法应用于周期性非定常流动的隐式求解方法进行探讨。当采样点数增加或减缩频率增大时,时间谱方法对应的雅可比矩阵对角占优性质迅速恶化,导致很多传统的迭代方法失效。为了解决上述问题,论文采用带预处理的广义极小残差(GMRES)算法来提高雅可比系数矩阵的计算收敛性。使用时间谱方法对NACA0012翼型强迫振荡算例进行计算,并与时域差分方法的计算效率和精度进行对比。研究表明在保证计算精度的同时,时间谱方法普遍可将计算效率提高一个量级左右。对于跨声速周期性流动,广义极小残差算法不论是稳定性还是收敛性都优于对称SGS迭代算法。 相似文献
8.
机器学习在湍流模型构建中的应用进展 总被引:1,自引:0,他引:1
借助于高性能计算机和数据共享平台的发展,研究者可以获取大量的高分辨率湍流计算数据。近年来,随着深度神经网络等人工智能技术的发展,数据驱动的机器学习方法也开始应用于湍流模型中不确定度的量化以及模型的改进和构建中。湍流大数据与人工智能相结合是湍流研究的一个新领域。研究者在取得一定成果的同时也面临着诸多困难和挑战,例如模型的泛化能力和鲁棒性等。模型构建过程包含了数据处理、特征选择以及模型框架的选取与优化等诸多方面,这些方面在不同程度上影响模型的性能。本文从机器学习在湍流建模过程中的实现方法和模型的不同作用两方面分析总结了目前主要的研究工作进展,并对这类问题面临的挑战和未来的研究展望进行了阐述。 相似文献
9.
10.