CFD仿真大型海洋循环和台风预报：ADCIRC模型

一、什么是流固相互作用 流体流动和固体结构之间的相互作用涉及流体动力学、固体力学和热力学等复杂同时现象。 这些现象的耦合可能导致各种结果，如涡流诱导振动或气弹性。海洋结构（例如大型集装箱船、海上平台等）在重型海洋条件下表现得像弹性体，因此，流体弹性效应不容忽视。涡流诱导振动在许多不同的工程领域都有表现，从电缆到热交换器管阵列。气弹效应在航空航天结构中很常见，因为它们必须轻量化，同时承受大的气动载荷。流场特征是层流和湍流流动，而变形和应力场特征是固体结构。因此，固体变形和应力场可以影响流体流动，流场也可以影响固体。 二、单向模拟 流固相互作用（FSI）仿真领域在过去几十年中取得了显著进展。传统方法基于简化假设，而最近的方法更准确、可靠。FSI耦合提供了计算优势和灵活性，但也存在缺点，包括信息交换繁琐、精度降低和稳定性挑战。1-如何进行单向耦合，分为两个步骤！首先，确保你的CFD仿真在流体和固体域之间有清晰的界面！这个界面通常由与流体接触的FEA网格表面定义。识别并选择CFD网格上的边界或边界，代表流体和固体域之间的界面。这可以通过在仿真域中选择对应固体对象的表面来实现。：一旦选择了界面边界，提取与该边界相关的压力数据。例如，在ParaView中，您可以使用“提取表面”过滤器来隔离选定的边界，然后提取与该表面相关的压力值。下一步是将提取的压力数据导出为与您的FEA软件兼容的格式。一种常见格式是CSV（逗号分隔值）。请确保导出的文件包含必要信息，通常包括界面边界上的每个点的坐标（x，y，z）和相应的压力值（P）。在进行FEA仿真之前，验证导出的数据以确保其准确代表界面边界上的压力分布。您可以通过可视化导出的数据或在特定点抽查压力值来做到这一点。2-单向耦合的优势和局限性单向耦合（松耦合方法）涉及单独解决流动和结构方程，然后在一次迭代中将两个解决方案耦合。在这种方法中，流体流动影响结构，但结构响应对流体流动的反馈在同一迭代中不考虑。这种方法简化了计算并降低了问题的复杂性。然而，它有显著的局限性。由于结构响应不会在同一迭代中影响流体流动，特别是在关键的动态相互作用中，结果可能缺乏准确性。这种方法的解耦性质可能导致收敛问题，并在捕捉实际交互系统的确切行为时出现不准确。我们可以得出结论，单向耦合适用于流和结构之间相互作用较弱或不需要高精度的场景。3-更详细地，单向数值分析工作流程如下步骤1 - CFD中的流体流动解：首先使用计算流体动力学软件解决流体流动方程，以获得结构表面的压力和剪切应力分布。步骤2 - 映射压力和剪切应力：将流体解计算出的压力和剪切应力映射到固体结构表面作为边界条件。步骤3 - FEA中的结构响应：使用FEA软件，使用流体流动的施加边界条件（BCs）解决结构方程，以确定结构的变形和应力分布。 三、双向模拟 近年来，开发了几种计算方法来模拟FSI，主要包括全耦合求解器、浸没边界方法和降阶建模技术，主要采用双向仿真方法。1-显式或隐式FSI在双向FSI仿真中选择显式和隐式耦合方法至关重要。显式耦合是顺序的且更简单，但不太稳定，而隐式耦合是同时的、更稳定且计算密集。这种选择通常在集成FSI软件中模拟设置中进行，以适应所解决问题的特定交互动态。选择显式和隐式耦合方法通常嵌入在商业CAE供应商提供的集成FSI软件解决方案的模拟设置中。这些软件工具提供了定义流体和结构求解器如何交互的界面，允许用户根据其模拟的特定要求选择适当的耦合策略。隐式耦合对于结构变形显著影响流体流动的高度耦合问题至关重要，如气弹性。在隐式耦合中，流体和结构求解器在每个时间步长内同时运行，迭代求解耦合方程，直到收敛。这种方法在每个时间步长内平衡流体和结构响应。我们可以更大稳定性和能够处理更大的时间步长，使其适用于强耦合相互作用。这是有代价的。代价是增加了复杂性和由于迭代求解过程而更高的计算成本。隐式耦合适用于结构变形对流体流动影响中等的不太紧密耦合的相互作用。在显式耦合中，流体和结构域在每个时间步长内顺序求解。流体求解器计算流体力并将其传递给结构求解器，然后计算结构响应。然后更新的结构用于下一次流体计算。虽然这种方法更简单，但它不太稳定，通常需要更小的时间步长，这增加了计算成本。2-显式和隐式流固相互作用（FSI）的数学作为最终的数学比较——在显式FSI中，我们可以有以下连续方程来控制流体（上标ᶠ表示）和固体（上标ˢ表示）之间的相互作用： 流体方程： 结构方程： 显式耦合： 在隐式FSI中，我们可以有以下方程来控制相互作用：流体方程：结构方程：隐式耦合由ffluid-struct给出，它代表流体对结构施加的力， fstruct-fluid代表结构对流体施加的力。 四、深度学习在FSI的应用 在流固相互作用（FSI）仿真中，将流体和固体的力学结合起来分析它们的相互作用。传统上，这些仿真使用计算成本高昂的求解器，但深度学习的最新进展为使用神经网络作为替代模型开辟了可能性。这就提出了一个问题：深度学习能取代流固相互作用中的流体和结构仿真吗？深度学习在替代建模方面显示出有希望的结果，这种建模基于工程和科学领域的输入输出数据，近似复杂的函数或过程。作为CFD的替代品，能够处理任何复杂的几何形状，无论是来自CAD还是FEA计算出的变形。深度学习替代品比CFD和FEA求解器具有更快的响应优势，因此补充了纯粹基于物理的数值方法。CFD仿真涉及求解纳维-斯托克斯方程，这在计算上可能是非常密集的。如果提供了用于训练的代表性数据集，深度学习替代品为特定应用提供了更快、更具成本效益的选择。在FSI分析中，使用深度学习预测而不是CFD可能非常方便。让我们看看为什么以及如何发生这种情况。使用训练有素的深度学习替代品可以使流固FSI仿真更加高效。在机翼FSI案例中，结构求解器使用基于CFD深度学习替代品提供的气动载荷的传统方法模拟机翼的变形。深度学习模型根据结构变形和FEA求解器提供的数据预测作用在机翼上的气动力，创建了一个准确捕捉动态相互作用的迭代过程。在计算负担和易用性方面的优势是显而易见的。例如，使用CFD数据集训练的深度学习平台，可以显著减轻与传统计算流体动力学仿真相关的计算负担。一旦用CAE甚至实验数据训练，替代模型就会根据固体域的新变形形状（被认为是CFD边界）进行非常快速的预测。可以提供流体力的快速预测，从而加快整体FSI仿真。--- END ---邀您关注▽ 纯粹CFD：软件教程、行业应用、专业理论、基础科普、研究前沿、严选培训广告▽ 只聊CFD相关的大小事，信手天成，娓娓道来来源：CFD饭圈