LBM学习记录3 Python实现D2Q9圆柱绕流

在https://blog.csdn.net/weixin_58913471/article/details/117561995?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-1.no_search_link 基础上进行理解，重写，补充。

from numpy import *
import matplotlib.pyplot as plt
from matplotlib import cm

雷诺数（Re）是反应粘性和惯性之间平衡的无量纲数。
$$Re=u\frac{L}{\nu }$$
流体速度u，特征长度$L$，$\nu$流体粘度
低速、高粘度和封闭的流体条件导致低Re，粘性力占主导地位。如果Re<<1，这种流体被称为Stokes或者Creeping flow. 由于孔径小，这种流动在许多多孔介质中的液体中是很常见的。
omega 松弛频率
如果$\omega$很小，流体只能缓慢地收敛到其平衡状态：高粘性。
流体的粘性与松弛参数$\omega$成反比。
$$\nu =\delta t{c}_s^2\left(\frac{1}{\omega }-\frac{1}{2}\right)$$
其中，$c_s^2=\frac{1}{3}$

maxIter = 200000  # 迭代次数
Re = 220.0         # 雷诺数
uLB = 0.04        # 模型的入口速度
nx, ny = 420, 180 # x, y轴长度
ly = ny-1         # 用于计算入口，为模型增加扰动，当雷诺数较小时，计算缺少扰动
cx, cy, r = nx//4, ny//2, ny//9  # 圆柱坐标
nulb = uLB*r/Re   # 粘性系数
omega = 1/(3*nulb+0.5)  # 松弛频率

$t_i$ 用于补偿不同长度的速度

流入条件

密度

2   5   8
\  | /
1–>4<–7
/  |  \
0   3   6

因为

$$\rho (\mathbf{x},t)=\sum _{i=0}^8{f}_i^{\mathrm{i}\mathrm{n}}(\mathbf{x},t)$$

$$\mathbf{u}(\mathbf{x},t)=\frac{1}{\rho (\mathbf{x},t)}\frac{\delta x}{\delta t}\sum _{i=0}^8{\mathbf{v}}_i{f}_i^{\mathrm{i}\mathrm{n}}(\mathbf{x},t)$$

定义

$$\begin{array}{rl}& {\rho }_1=f_0+f_1+f_2(\text{ unknown })\\ & {\rho }_2=f_3+f_4+f_5\text{ (known) }\\ & {\rho }_3=f_6+f_7+f_8(\text{ known })\end{array}$$

同时

$$\begin{array}{rl}& \rho ={\rho }_1+{\rho }_2+{\rho }_3\\ & \rho u_x={\rho }_1-{\rho }_3\end{array}$$

$u_x$速度$x$方向的分量

因此

$$\rho =\frac{{\rho }_2+2{\rho }_3}{1-u_x}$$

rho[0,:] = 1/(1-u[0,0,:])*(sum(fin[col2,0,:],axis=0)+2*sum(fin[col3,0,:],axis=0))

流入侧f0 f1 f2的密度分布函数

$$E(i,\rho ,\mathbf{u})=\rho t_i\left(1+\frac{{\mathbf{v}}_{\mathbf{i}}\cdot \mathbf{u}}{c_s^2}+\frac{1}{2c_s^4}{\left({\mathbf{v}}_{\mathbf{i}}\cdot \mathbf{u}\right)}^2-\frac{1}{2c_s^2}|\mathbf{u}{|}^2\right)$$

密度总是接近于他们的平衡状态。
首先将未知密度分布函数初始化为其平衡值。
随后，检查相反分布函数偏离平衡的程度，再加上这个值作为修正。

$$\begin{array}{rl}{f}_0^{\mathrm{i}\mathrm{n}}& =E(0,\rho ,\mathbf{u})+\left(f_8^{\mathrm{i}\mathrm{n}}-E(8,\rho ,\mathbf{u})\right)\\ f_1^{\mathrm{i}\mathrm{n}}& =E(1,\rho ,\mathbf{u})+\left(f_7^{\mathrm{i}\mathrm{n}}-E(7,\rho ,\mathbf{u})\right)\\ f_2^{\mathrm{i}\mathrm{n}}& =E(2,\rho ,\mathbf{u})+\left(f_6^{\mathrm{i}\mathrm{n}}-E(6,\rho ,\mathbf{u})\right)\end{array}$$

fin[[0,1,2],0,:] = feq[[0,1,2],0,:] + fin[[8,7,6],0,:] - feq[[8,7,6],0,:]

v = array([[1,1], [1,0], [1,-1],
           [0,1], [0,0], [0,-1],
           [-1,1], [-1,0], [-1,-1]])

t = array([1/36, 1/9, 1/36,
          1/9, 4/9, 1/9,
          1/36, 1/9, 1/36])

col1 = array([0, 1, 2])
col2 = array([3, 4, 5])
col3 = array([6, 7, 8])

密度

$$\rho (\mathbf{x},t)=\sum _{i=0}^8{f}_i^{\mathrm{i}\mathrm{n}}(\mathbf{x},t)$$

rho = zeros((nx, ny))
for ix in range(nx):
    for iy in range(ny):
        rho[ix, iy] = 0
        for i in range(9):
            rho[ix, iy] += fin[i, ix, iy]

压力
压力正比于密度，根据理想气体状态方程，在等温气体中
$$p=c_s^2\rho$$
在D2Q9模型中
$$c_s^2=\frac{1}{3}\frac{\delta x^2}{\delta t^2}$$

速度

6   3   0
\  | /
7<–4–>1
/  |  \
8   5   2

$v_0$(1,1), $v_1$(1,0), $v_2$(1,-1)
$v_3$(0,1), $v_4$(0,0), $v_5$(0,-1)
$v_6$(-1,1), $v_7$(-1,0), $v_8$(-1,-1)

$$\mathbf{u}(\mathbf{x},t)=\frac{1}{\rho (\mathbf{x},t)}\frac{\delta x}{\delta t}\sum _{i=0}^8{\mathbf{v}}_i{f}_i^{\mathrm{i}\mathrm{n}}(\mathbf{x},t)$$

v = np.array([[1,1], [1,0], [1,-1], [0,1], [0,0], [0,-1], [-1,1], [-1,0], [-1,-1]])
u = zeros((2, nx, ny))
for ix in range(nx):
    for iy in range(ny):
        u[0, ix, iy] = 0
        u[1, ix, iy] = 0
        for i in range(9):
            u[0,ix,iy] += v[i,0]*fin[i,ix,iy]
            u[1,ix,iy] += v[i,1]*fin[i,ix,iy]

def macroscopic(fin):
    rho = sum(fin, axis=0)
    u = zeros((2, nx, ny))
    for i in range(9):
        u[0,:,:] += v[i,0] * fin[i,:,:]
        u[1,:,:] += v[i,1] * fin[i,:,:]
    u /= rho
    return rho, u

平衡方程
$$E(i,\rho ,\mathbf{u})=\rho t_i\left(1+\frac{{\mathbf{v}}_{\mathbf{i}}\cdot \mathbf{u}}{c_s^2}+\frac{1}{2c_s^4}{\left({\mathbf{v}}_{\mathbf{i}}\cdot \mathbf{u}\right)}^2-\frac{1}{2c_s^2}|\mathbf{u}{|}^2\right)$$

# 平衡态计算
def equilibrium(rho, u):
    usqr = 3/2 * (u[0]**2 + u[1]**2)
    feq = zeros((9, nx, ny))
    for i in range(9):
        cu = 3 * (v[i,0]*u[0,:,:] + v[i,1]*u[1,:,:])
        feq[i,:,:] = rho*t[i] * (1 + cu + 0.5*cu**2 - usqr)
    return feq

碰撞

$$f_i^{\text{out }}-f_i^{\text{in }}=-\omega \left(f_i^{\text{in }}-E(i,\rho ,\vec{u})\right)$$

fout = fin-omega*(fin-eq)

迁移

for ix in range(nx):
    for iy in range(ny):
        for i in range(9):
            next_x = ix + v[i,0]
            if next_x<0:
                next_x = nx-1
            if next_x>=nx:
                next_y = 0
            
            next_y = iy + v[i,1]
            if next_y<0:
                next_y = ny-1
            if next_y>=ny:
                next_y = 0    
            
            fin[i,next_x,next_y] = fout[i,ix,iy]

np.roll(a,shift,axis=None) 将数组a，沿着axis方向，滚动shift长度
可改写成

for i in range(9):
    fin[i, :, :] = roll(roll(fout[i,:,:],v[i,0], axis=0), v[i,1], axis=1)

边界条件
Bounce-back BCs
反弹边界条件是处理静止无滑移壁面的一类常用格式，是指当离散分布函数到达边界节点时，将沿着其进入的方向散射回流体，包括on-grid bounce-back（边界与晶格点对齐）和 mid-grid bounce-back（边界在界外节点和界内节点之间的中心）。

on-grid bounce-back

mid-grid bounce-back

$$f_i^{\text{in }}(x,t+1)=f_j^{\text{out }}(x,t)$$

$$v_i=-v_j$$

for i in range(9):
    fout[i,obstacle] = fin[8-i, obstacle]

def obstacle_fun(x, y):
    return (x-cx)**2 + (y-cy)**2 < r**2

fromfunction从函数中创建数组，返回数组，符合条件值为True，不符合为False。

obstacle = fromfunction(obstacle_fun, (nx, ny))

# 初始速度曲线：几乎为零，有一个轻微的扰动来触发不稳定。
def inivel(d, x, y):
    return (1-d) * uLB * (1+1e-4*sin(y/ly*2*pi))

vel = fromfunction(inivel, (2, nx, ny))

# 以给定的速度初始化处于平衡状态的种群
fin = equilibrium(1, vel)

for time in range(maxIter):
    # 右边界分布函数
    fin[col3, -1, :] = fin[col3, -2, :]
    
    #计算宏观密度和速度
    rho, u = macroscopic(fin)
    
    # 重新计算左边界的分布函数
    u[:, 0, :] = vel[:, 0, :]
    rho[0,:] = 1/(1-u[0,0,:]) * (sum(fin[col2,0,:], axis=0) + 2*sum(fin[col3,0,:], axis=0))
    
    # 计算平衡态
    feq = equilibrium(rho, u)
    fin[[0,1,2],0,:] = feq[[0,1,2],0,:]+fin[[8,7,6],0,:]-feq[[8,7,6],0,:]
    
    # 碰撞过程
    fout = fin - omega * (fin - feq)
    
    # 对圆柱内节点进行反弹
    for i in range(9):
        fout[i, obstacle] = fin[8-i, obstacle]
    
    # 扩散过程
    for i in range(9):
        fin[i, :, :] = roll(roll(fout[i,:,:],v[i,0], axis=0), v[i,1], axis=1)
        
    # 可视化
    if (time%100==0):
        plt.clf()
        plt.imshow(sqrt(u[0]**2+u[1]**2).transpose(), cmap=cm.Reds)
        plt.savefig("/share/home/yszhang/PBS/LBM/pic/"+str(time//100)+".jpg")

import cv2

file_dir = '/pic/'
video = cv2.VideoWriter('video.avi',cv2.VideoWriter_fourcc(*'MJPG'),5,(1280,720))

for i in range(2000):
    img = cv2.imread(file_dir+str(i)+'.jpg')     
    img = cv2.resize(img,(1280,720))
    video.write(img)

video.release()