xiaoqiang_2的博客

机器学习、深度学习、神经网络的区别：机器学习、深度学习、神经网络还傻傻分不清吗？_机器学习 深度学习 神经网络-CSDN博客 神经网络简介：神经网络——最易懂最清晰的一篇文章-CSDN博客

The pressure-based coupled algorithm obtains a more robust and efficient single phase implementation for steady-state flows.（对于稳态单相流动，Coupled算法鲁棒性更好，效率更高）对不不是很复杂的求解问题，SIMPLEC收敛更快；

PyFluent超级实用的技巧，教你一步上手PyFluent。

最好方式仍是差分模式（需要偏执电阻，如下图所示）。此时RES也可用，且不需要偏执电阻。NRES也可以，它也需要偏执电阻。每个信号采用数据采集卡的两个通道，故数据采集卡可用通道会减半。此时也需要用到偏置电阻（当信号源与信号系统均为浮动时需要使用），推荐在10KΩ到100KΩ之间选择。首先确定信号是怎么接地的，然后根据信号接地方式选择信号采集连接方式。不能抑制共模电压且会产生地环流，不推荐使用。RES的变种，要用单端就用非参考单端模式。根据信号接地方式选择信号采集连接方式。

简单而言，克里金（kriging）模型就是一种插值模型，与多项式插值、线性插值、样条插值等类似，根据“采样点”上的值预测非采样点的值。只不过克里金（kriging）模型相较于其他插值方法具备一些优势（上文介绍过了）。其对于非样本点值的预测是基于线性加权组合（linearly weighted combination）实现的。在普通克里金（kriging）模型中，通过计算预测点附近的已知值的加权平均来获得预测值。其只有在样本值具备空间相关性时才有意义。