非静压模型NHWAVE学习(2)——垂向σ-坐标系

2023-10-12 20:30

本文主要是介绍非静压模型NHWAVE学习(2)——垂向σ-坐标系,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

NHWAVE模型垂向σ-坐标系

  • NHWAVE模型原理回顾
  • 垂向σ-坐标系
  • 基于σ-坐标系的N-S方程的变形
  • 其它
  • 参考文献

这个系列的blog有点类似NHWAVE手册和代码的解读,内容之中也会穿插一些个人的学习体会。

NHWAVE模型原理回顾

在 非静压模型NHWAVE学习(1)——模型原理简介 中,我们主要介绍了模型的控制方程。
包括控制水流运动的N-S方程,和控制物质输运的对流-扩散方程。

  1. N-S方程
    在这里插入图片描述
  2. 对流-扩散方程
    在这里插入图片描述

垂向σ-坐标系

在非静压模型NHWAVE中,自由表面水位 η 被假定为水平位置的单值函数,即
η = η ( x , y , t ) η=η(x,y,t) η=η(x,y,t)
这种处理方式不同于传统的VOF、MAC等自由表面追踪技术,有着更高的计算效率。

为了使模型系统适应上述的处理方式,以及网格适应复杂的水底地形与自由表面形态的变化,NHWAVE模型采用了Phillips (1957) 1 提出的坐标变换方法(将在原时空笛卡尔坐标系统(x*, y*, z*, t*)下的物理量转化至新系统(x, y, z, t)之中):
在这里插入图片描述
式子中,D = h + η,h表示水深,η表示水位;于是,在垂直方向上,取值范围为 [-h(x*, y*, t*), η(x*, y*, t*)] 的 z*(x*, y*, t*) 转换成了处处取值为 [0, 1] 的 σ。就像方程做了如下的网格变形。
在这里插入图片描述
(注: 上图中左图为物理区域,右图为转化后的计算区域)

基于σ-坐标系的N-S方程的变形

假设一个在新坐标系统下的函数
f = f ( x ∗ , y ∗ , z ∗ , t ∗ ) f = f(x^*,y^*, z^*, t^* ) f=f(x,y,z,t)
应用复合函数的链式法则,我们可以得到:
在这里插入图片描述
以及,
在这里插入图片描述

于是,连续性方程就被写成
在这里插入图片描述

在这里插入图片描述
式子中的ω表示的是σ-坐标系下的垂向速度(垂直于σ-坐标系网格的速度),ω与垂向速度w的关系为:
在这里插入图片描述
将上述连续性方程沿垂向积分,得到了
在这里插入图片描述
解出了总水深D,则可求得自由表面位置;即上式是自由表面的控制方程。

同理,N-S方程中的动量方程同样可以由上面的方法进行坐标变换,得到如下的动量方程形式:
在这里插入图片描述
其中,
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
详细可见NHWAVE模型手册及Gangfeng Ma等人的论文(20122,2013 3)。

其它

最后再简要介绍以下其它常见的σ-坐标系。

NHWAVE模型中的σ-坐标系一般被称作单层σ-坐标系,即它将整个垂向区域都纳入了σ-坐标体系中。在实际应用过程中,单层σ-坐标系内整个计算区域的网格会随着自由水面波动而波动,难以固定计算域内某一固定点的位置。
为了克服这样的缺陷,香港学者李行伟(C. W. Lee)等人提出了两层σ-坐标系 4,即上层网格随自由水面波动而变化,下层网格固定不变。他应用这种坐标系计算了底柱扰流,得到了非常不错的模拟效果。
在此之后,我国学者林鹏智(P. Lin)提出了多层σ-坐标系5,并将此推广到任意层 坐标下波和障碍物耦合作用研究。以三层σ-坐标系为例,它在垂向的网格布置如下图所示。
在这里插入图片描述

(注: 上图中左图为物理区域,右图为转化后的计算区域)

参考文献


  1. Phillips, N.A… A coordinate system having some special advantages for numerical forecasting. J. Meteor, 1957, 14, 184–185. ↩︎

  2. Ma G , Shi F , Kirby J T . Shock-capturing non-hydrostatic model for fully dispersive surface wave processes[J]. Ocean Modelling, 2012, 43-44(22-35):22-35. ↩︎

  3. Ma G , Kirby J T , F Shi. Numerical simulation of tsunami waves generated by deformable submarine landslides[J]. Ocean Modelling, 2013, 69(Complete):146-165. ↩︎

  4. Li, C. W , Zhu, et al. A sigma coordinate 3D k–ε model for turbulent free surface flow over a submerged structure.[J]. Applied Mathematical Modelling, 2002. ↩︎

  5. Lin P . A multiple-layer σ-coordinate model for simulation of wave-structure interaction[J]. Computers & Fluids, 2006, 35(2):147-167. ↩︎

这篇关于非静压模型NHWAVE学习(2)——垂向σ-坐标系的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/198261

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验