申请/专利权人：浙江大学;上海浙江大学高等研究院

申请日：2023-12-06

公开（公告）日：2024-04-19

公开（公告）号：CN117910375A

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06N3/048;G16C20/10;G16C20/70;G06F111/10;G06F113/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了一种基于本征正交分解法降阶模型的CFD‑DEM加速方法及装置，首先获取颗粒原始变量信息并计算目标颗粒信息变量的时间平均值，对结果快照矩阵在时间上进行去中心化，进行POD分解，基于奇异值分解法求解获取POD模态并排序；截取排序后的特征模态，针对选取的POD基，不断利用已有的POD基系数基于径向基函数神经网络对未来时间步的颗粒模态时间系数进行预测；根据已有的POD基结合预测得到的POD模态系数重构流场。本发明实现了稠密气固两相流动的高效准确计算，快速获得颗粒目标信息，克服了传统CFD‑DEM方法需要消耗巨大计算量的不足，填补了稠密气固两相流动在快速预测层面的空白。

主权项：1.一种基于本征正交分解法降阶模型的CFD-DEM加速方法，其特征在于，该方法包括以下步骤：1获取颗粒原始变量信息并计算目标颗粒信息变量的时间平均值，对CFD-DEM结果快照矩阵在时间上进行去中心化；2进行POD分解，基于奇异值分解法求解获取POD模态并排序；3截取排序后的特征模态，获取POD模态对应系数，基于高斯核函数计算求解POD模态对应系数过程所需输入和已有高斯核的欧式距离，计算径向基函数构建RBF隐藏层，与线性输出层结合，构建径向基函数神经网络；4针对选取的POD基，不断利用已有的POD基系数基于径向基函数神经网络对未来时间步的颗粒模态时间系数，即POD模态对应系数进行预测；5根据已有的POD基结合预测得到的POD模态系数重构流场。

全文数据：

权利要求：

百度查询： 浙江大学;上海浙江大学高等研究院 一种基于本征正交分解法降阶模型的CFD-DEM加速方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD