排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
2.
3.
4.
神经网络融合物理先验知识能极大提高其拟合复杂变量的能力,其中融合神经网络和物理控制方程的物理融合神经网络模型(physical-informed neural network, PINN),赋予传统神经网络所不具备的先验知识和可解释性。结合课题组对PINN方法的研究和应用,本文介绍了融合N-S方程的PINN神经网络模型预测能力。首先借助三维超声速槽道湍流的直接数值计算数据,耦合神经网络和可压缩N-S方程,应用PINN方法对槽流的瞬时流场的物理量进行预测,并对瞬时量及其统计平均值与DNS对应结果进行对比来验证训练所获PINN模型的可靠性。其次,借助不可压缩圆柱绕流与三维可压缩槽道流动的计算数据,利用PINN模型进行了N-S控制方程待定系数与待定项的重建,结果显示其在重建流场流动信息的同时可逼近方程的待定系数。研究结果证实了PINN方法可为建立流动物理模型提供工具和算法支撑。 相似文献
5.
陈丽华 《民用飞机设计与研究》2008,(1):22-22
引言 飞机供配电系统地面模型试验是飞机首飞前进行设计和适航符合性验证的大型试验之一。为了验证供配电系统在稳态和瞬态加载状态下的各种参数指标,就必须按照试验大纲的规定进行加、卸载控制。 相似文献
6.
7.
高超声速压缩拐角湍流计算的收敛性分析 总被引:1,自引:0,他引:1
应用基于shear stress transport(SST)湍流模型的隐式紧耦合方法对高超声速压缩拐角流动进行了数值计算.考察了差分格式、限制器以及湍流时间步长等7个因素对湍流计算过程稳定性和收敛性的影响.结果表明:差分格式和限制器对收敛性有很大影响,总体而言耗散性越大的差分格式和限制器收敛性越好;增加湍流时间步长对收敛性影响很小;适当降低湍流变量最低限制值有利于湍流方程的收敛;增大Courant-Friedrichs-Lewy(CFL)数和隐式内迭代次数可显著加速收敛,但均存在最优值,超过最优值则加速效果不明显. 相似文献
8.
1