论文部分内容阅读
本文使用VOF(Volume of Fluid)界面追踪方法和基于树形数据结构的自适应求解算法来研究液体射流的雾化破碎过程以及外加扰动对射流破碎机理产生的影响,并探讨基于深度学习的模型对射流流场的涡核心区域进行有效的识别。对于两相不可压高速射流问题,在无扰动情况下,液体射流的头部、液丝和液滴随着射流时间的发展不断发生演变,射流头部先呈现蘑菇状外形,随后液丝生成,并慢慢转变成网兜状,直至断裂形成小液滴。在周期性流向强迫的作用下,射流液柱的表面会形成周期波,其液丝破裂形成液滴的时机与稳定射流情形相比会有所提前,射流形成的头部更趋于扁平,最终生成的液滴数量更多。文中主要分析了扰动频率和扰动幅值对射流破碎特征的影响规律。研究发现,在基频附近从小到大缓慢增加振动频率,射流破碎长度会先减小后增大。射流未扰动液柱长度(L)、液滴直径的概率密度分布(PDF)和液滴直径(SMD)等指标受扰动频率的影响显著,并在中低频段和中高频段有不同的表现。在考察的幅值变化范围内,扰动幅值对射流破碎长度的影响并不显著。强迫扰动作用下液体射流表面波的形成、发展及失稳与涡运动学有很大的关系,涡结构的识别及其演化特征的分析对射流流场的研究意义很大。为此,本文提出了Vortex Net的深度学习网络结构,具备从任意时刻的射流流场速度云图快照中快速识别出涡核心区域的能力,适用于,适用于不同尺度涡结构的识别。将深度学习模型和动态模态分解(Dynamic mode decomposition,DMD)结合在一起,可以提升模型的识别率。将连续的高采样率的速度云图快照进行DMD分解并提取出主模态,与涡核心区域对比发现,涡核心伴随出现在主模态极值区域附近,远离主模态极值的区域不存在涡。把该约束条件加入深度学习模型的损失函数中进行参数训练,明显提高了模型识别精度,降低了模型的误差率。