COMSOL电磁仿真-《电磁脉冲焊接双 H型线圈的优化设计与实验研究》模型复现

本文主要是介绍COMSOL电磁仿真-《电磁脉冲焊接双 H型线圈的优化设计与实验研究》模型复现,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!

本周继续学习comsol的操作,完成复现《电磁脉冲焊接双 H型线圈的优化设计与实验研究》这篇文章的模型。且对于模型使用了未采用全局方程和采用全局方程2种求解方法,加深了对全局方程的认识。

 

过程

基于师兄发的文件,第一次上手操作也颇快,使用二维轴对称模型(二维模型比三维模型可以简化计算),选择好物理场(这里是采用了磁场,固体力学和电流三个),按照论文给定数据进行建模即可

然后选择合适的材料,相对应的区域给好对应的材料

下一步是对应物理场进行参数选择和设定,选择需要的物理场,然后继续设定,这里由于涉及到多个物理场,就有多物理场的耦合问题,对应的接口要做好选择,否则就会出现求解结果为0的情况,比如一个电场和磁场耦合,接口没有设定好,线圈电流为零,就产生不了磁场,那求解结果的磁通密度就为0了,具体的内容在下面的问题栏目阐述。

 接下来就是对网格进行剖分,根据文章给出的要求做即可,过程也很简单。

做完以上的流程,就可以进行求解了,第一次做,和师兄的结果有些许不同,疑问点都将在问题栏目阐述

对于全局方程的认识

谈谈对全局方程的认识

全局方程是一个求解单一标量变量的方程,它会向模型中添加一个额外的自由度以及一个额外的约束。

在本仿真中,我们是将电场给禁用,只留固体力学和磁场2个物理场,然后给出一个电场的全局方程,我的理解是,如果不使用全局方程,这里就涉及到三个物理场,比使用多了一个,可能会增加计算时间,在操作中也遇到了,不用全局方程求解花费了56分钟求解,时间过长。使用全局方程,不仅可以减少计算时间,而且在参数设计是也简化了不少。按照论文中的电路原理图,在本仿真中,启用电流模块,要设计以下6项器件,而采用全局方程,设定2个方程即可。

问题

1多物理场耦合问题

在第一次仿真时,出现了这种情况

咨询师兄后,结果是这个结果为零,应该是电路模块和磁场模块没有耦合,先看看线圈电流有没有。检查后发现问题出现在这里,开始我是直接按照系统给定的,但是我的电场模块中是外部IvsU1,这个模块在电路中是作为电压源的,开始接口没有设定好,线圈激励为0,自然就出现了上述的情况,磁通密度为0,更多的可参考师兄的博客(1条消息) COMSOL中场路耦合(电路接口与电磁场接口)_comsol电路模块的节点是怎么接的_怎么又是萝卜的博客-CSDN博客

2全局方程的设置

此处参数设定不要忘记,否则求解的时候会出现未定义变量的问题。不是只要把方程设置好就足矣。

3结果上的差异

我的结果和师兄跑出来的有差异,包括磁场的形状和应力的形状,对比完师兄的模型,可能问题出在材料的选择方面,上图是师兄的材料选择,下图是我自己的选择。我的理解是材料不同,导致了在固体力学模块中的线弹性材料的域不同,对于线圈和铜板使用2种不同的铜,用来区分线弹性材料,而我直接使用对这两个部分使用的是一样的copper,导致了线圈部分也成为的线弹性材料,导致的仿真结果也会存在不同。上图为师兄的区域,下图为我的。

这篇关于COMSOL电磁仿真-《电磁脉冲焊接双 H型线圈的优化设计与实验研究》模型复现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/252520

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

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

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

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

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

MySQL高性能优化规范

前言:      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后,总结出了这篇! 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字(如果表名中包含关键字查询时,需要将其用单引号括起来) 数据库对象的命名要能做到见名识意,并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀,备份

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

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}