MRF.DDt(U)---MRF模型简介

fvVectorMatrix UEqn
(
    fvm::ddt(U) + fvm::div(phi, U)
  + MRF.DDt(U)
  + turbulence->divDevReff(U)
 ==
    fvOptions(U)
);

上述代码为求解速度方程的一般形式,之前,分析了turbulence->divDevReff(U),接下来,就MRF模型进行分析探讨。

1.MRF简介

有时,我们需要进行整个计算区域或者部分区域存在移动的流动模拟,包括旋转坐标系(单旋转坐标系和多旋转坐标系)、平移坐标系的计算。

  • MRF,多重参考系模型, 主要用于解决旋转坐标系问题,如:旋转机械,搅拌器、风机等;
  • MRF模型适用于定常流动(稳态),当转子与定子相互影响较弱时,计算结果相对准确;
  • 在非定常流动中,当转子与定子之间相互作用很强烈,只能使用滑移网格模型(这种方法计算量大,耗费计算机资源)。

2.MRF的特点

  • MRF方法不会使相邻的两个运动区域间产生相对运动,用于计算的网格依然是固定的。
  • MRF不仅需要在移动区区域中增加科里奥利力Coriolis forces,同时还必须调整转子的边界条件。这是因为当转子移动时,转子壁上的流体速度不为零。壁面上的速度必须等于转子的实体旋转速度(no slip 更改为solid body velocity)。
  • 为了使用MRF方法,必须将网格划分为不同的区域。由于OpenFOAM中的MRF方法仅涵盖旋转参考系,只能对区域施加旋转。指定非零旋转的区域必须与旋转轴轴对称。

3.旋转坐标系下的方程解析

这里,采用在相对参考系中求解绝对速度(方程推导见MRF的发展),其方程如下:

{ ∂ u ⃗ R ∂ t + d Ω ⃗ d t × r ⃗ + ∇ ⋅ ( u ⃗ R ⊗ u ⃗ I ) + Ω ⃗ × u ⃗ I = − ∇ ( p / ρ ) + ν ∇ ⋅ ∇ ( u ⃗ I ) ∇ ⋅ u ⃗ I = 0 \begin{cases} \frac {\partial \vec u_R}{\partial t} + \frac{d \vec \Omega}{dt} \times \vec r + \nabla \cdot (\vec u_R \otimes \vec u_I) + \vec \Omega \times \vec u_I = - \nabla (p/\rho) + \nu \nabla \cdot \nabla (\vec u_I) \\ \nabla \cdot \vec u_I = 0 \end{cases} {tu R+dtdΩ ×r +(u Ru I)+Ω ×u I=(p/ρ)+ν(u I)u I=0

  • 其中, MRF.DDt(U)代表了 Ω ⃗ × u ⃗ I \vec \Omega \times \vec u_I Ω ×u I
  • 若我们只考虑稳定旋转,自旋的时间导数消失, d Ω ⃗ d t × r ⃗ \frac{d \vec \Omega}{dt} \times \vec r dtdΩ ×r 项为零。同时,

u ⃗ R = u ⃗ I − Ω ⃗ × r ⃗ \vec u_R = \vec u_I- \vec \Omega \times \vec r u R=u IΩ ×r
∂ u ⃗ R ∂ t = ∂ ( u ⃗ I − Ω ⃗ × r ⃗ ) ∂ t = ∂ u I ∂ t − ∂ ( Ω ⃗ × r ⃗ ) ∂ t \frac {\partial \vec u_R}{\partial t}=\frac {\partial( \vec u_I- \vec \Omega \times \vec r)}{\partial t}=\frac{\partial u_I}{\partial t}-\frac {\partial(\vec \Omega \times \vec r)}{\partial t} tu R=t(u IΩ ×r )=tuIt(Ω ×r )
由于参考系的稳定旋转所产生的速度分量是恒定的,所以 ∂ ( Ω ⃗ × r ⃗ ) ∂ t \frac {\partial(\vec \Omega \times \vec r)}{\partial t} t(Ω ×r )将消失。

参考:

  1. See the MRF development
  2. MRF的发展
  3. FLUENT中MRF模型简介及应用实例
  4. OpenFOAM中MRF的代码
  • 5
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
马尔可夫随机场(MRF)在图像分割中的应用是将具有相同性质的像素点聚集为一类,从而实现图像的分类和分割。图像分割问题可以看作是一个图像聚类问题,即将像素点分为不同的类别,给每个像素点分配一个标签类。为了求解MRF模型中的参数W,我们需要根据观测到的图像S来计算条件概率P(W|S),即给定S的情况下求取W的概率。图像分割问题就变成了求取这个概率的最大值,从而得到图像的分割标签。\[1\]\[2\] 在实际应用中,可以采用随机的预分类方法来进行图像分割,虽然这种方法得到的是一个局部最优解,但在分割类别数较大的情况下,它的效果会明显好于随机预分类。这是因为随着类别数的增加,问题的维度也增加,导致存在更多的局部最优解。因此,从随机预分类(最差的情况)开始,向最优解方向前进时,可能会在中途遇到一个局部最优解而无法继续前进。总的来说,图像分割是一个非常复杂的问题,很难找到最优解。\[3\] 以上是关于MRF模型在图像分割中的应用的简要介绍。如果你对具体的MRF模型的实现代码感兴趣,可以参考提供的参考文献中的链接。 #### 引用[.reference_title] - *1* *2* *3* [从贝叶斯理论到马尔可夫随机场(MRF)--以图像分割为例](https://blog.csdn.net/qq_40507857/article/details/110164691)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值