Particleworks案例21-使用MPFI模拟高粘度流体压合过程

CFD饭圈

1月前浏览470

教程展示了如何使用MPFI模拟压碎高粘度流体。MPFI可以用来满足无滑移和不可压缩条件，并允许使用大时间步长。

一、仿真模型参数

密度 [kg/m^3]：1000

运动粘度 [m^2/s]：1

粒径 [mm]：0.5

初始时间间隔 [s]：0.01

结束时间 [s]：1

二、创建新项目

1. 在工具栏上，点击Create Project按钮。

2. 在Create Project窗口中，在Project name字段中输入mpfi_high_viscosity，并指定项目保存位置。

3. 点击OK按钮关闭窗口。

4. 在Projects窗口中，展开项目并双击场景节点以打开场景。

三、创建对象

1. 在Outline窗口中，点击Import polygon files按钮。

2. 在文件对话框中，选择要导入的几何文件（fluid.stl，bottom.stl和top.stl）。

3. 点击Fit View按钮。

4. 在Outline窗口中，选择Input > bottom.stl节点。

5. 在Properties窗口中，设置Appearance > Alpha为0.3，以便可以看到流体与墙壁之间的接触面。

6. 类似地，将top.stl的Alpha设置为0.3。

四、仿真域

1. 在Outline窗口中，点击Adjust domain按钮。

2. 在Adjust domain对话框中，点击OK按钮以设置仿真域。

五、创建物理属性

1. 在Outline窗口中，点击工具栏中的Manage physical properties按钮。

2. 在Physical property manager窗口中，点击加号按钮**+**以添加新的物理属性。

3. 从弹出菜单中选择类型为Fluid并编辑以下参数：运动粘度 [m^2/s]：1

4. 再添加一种类型为Polygon。使用默认参数。

5. 点击OK按钮关闭Physical property manager窗口。

6. 在Outline窗口中，选择每个节点。在Properties窗口中，找到Physical Property并按如下类型分配：

1. fluid.stl：Fluid

2. bottom.stl：Polygon

3. top.stl：Polygon

六、创建动画

1. 在Outline窗口中，选择Input > top.stl节点。

2. 在Key Frames窗口中，设置Key为Location。

3. 设置Type为Velocity。

4. 点击加号按钮**+**以在0 [s]添加速度，并输入-5 [mm/s]。

5. 要预览运动，点击Player窗口中的Play forward按钮。

七、设置仿真参数

1. 在工具栏上，点击Settings按钮。

2. 在Basics部分输入以下参数，然后点击Next按钮：

1.Unit > Length：mm

2.Preprocess > Particle Size[mm]：0.5

3. 在MPS部分输入以下参数，然后点击Next按钮：

1.Type > Type：MPFI

2.MPFI > Speed of Sound[m/s]：100

4. 在Simulation部分输入以下参数并点击Close按钮：

1.Time > Finish Time[s]：1

2.Time > Initial dt[s]：0.01

3.Output > File Output Interval Time[s]：0.01

5. 点击场景窗口右上角的按钮并设置以下参数：

1.Simulation Options > Density Threshold：0.9

2.Simulation Options > Collision Distance：0.9

八、运行仿真

1. 点击执行对话框中的Execute按钮。如果执行对话框已经关闭，点击Execute按钮。

2. 在Run对话框中，找到Execution部分，并在Run mode: Preprocess & Simulation。

3. 在 CPU cores: 输入用于计算的CPU核心数。

4. 在Precision字段中选择Double。

5. 点击Execute按钮开始计算。

6. 当计算完成后，主窗口中央会弹出通知。

注意：当使用单精度求解器进行MPFI仿真时，计算可能会因为有效数字的数量而停止。因此，建议使用双精度求解器。

九、可视化结果

由于无滑移条件，与墙壁接触的粒子几乎不会在墙壁上移动，流体表面变得弯曲。

1.在Player窗口中，点击Play forward按钮播放动画。

来源：CFD饭圈

【研究前沿】机器学习ML结合CFD用于数字流量控制单元中的瞬态流量预测

这篇文章是2024年发表在《Flow Measurement and Instrumentation》。研究了基于机器学习的CFD（ML_CFD）和混合分析模型在温度补偿的数字流量单元中预测瞬态流量的性能。利用了二进制编码的并联开关阀，这些阀门能够在较少的阀门数量下实现高流量，同时解决流量峰值的挑战。通过考虑温度并改进建模技术，本研究纠正了先前研究中观察到的某些限制，例如忽略温度、阀门孔口流量系数不准确以及缺少流量模式可视化，从而提高了流量预测的准确性。对于基于ML_CFD的模型的结果表明，尽管在数据驱动系统中存在外推挑战，但所提出的方法在不同指标下显示出小于5%的误差，这归因于约束良好的过度参数化模型的有效性和数字流量控制单元的分段结构。1. 研究方法 - 液压热分析调查：分析了液压系统的运行范围，以及温度对流体密度和粘度的影响。- 最新技术：探讨了包括机器学习技术在内的最新流量映射技术，这些技术将温度因素整合到流量预测中。- 文献回顾：回顾了数字流量控制单元的相关文献，特别是关于温度管理与传统流量容量的研究。 2. 研究模型 - 机器学习的CFD模型：提出了一个基于机器学习CFD模型，该模型在多样化的评估指标下显示出小于5%的误差。- 混合分析模型：提出了一个简化的混合分析模型，该模型虽然在实施上更为简便，但在处理超出预调放水系数的数据时会遇到限制。 3. 研究结果 - 机器学习CFD模型：即便在数据驱动系统不常见的外推挑战中，所提出的方法在多种评估指标下显示出小于5%的误差。- 混合分析模型：虽然简化，但在处理超出预调放水系数的数据时受限。 4. 研究结论 - 结合CFD、分析建模技术和机器学习，开发出更健壮、更准确的DFCU流量预测解决方案。- 研究显示，机器学习模型能够基于温度、压力和阀门位置准确预测流量，且误差在可接受范围内。- 尽管机器学习模型在映射DFCU流量动态方面显示出更高的能力，但考虑到CFD和机器学习的复杂性，研究也认识到提出的简单混合分析模型的优势，如减少计算时间、易于集成和最小化差异。来源：CFD饭圈