面向流体力学的多范式融合研究展望

实验观测、理论研究以及数值模拟是包括流体力学在内很多学科的基本研究范式.21世纪以来,大数据驱动下的人工智能成为引领新一轮科技革命和产业变革的重要驱动力,也被称为数据密集型科学研究范式,即第四范式.同样,数据驱动的机器学习方法也成为流体力学的新兴方向,并助推智能流体力学方向的发展.然而,与面向社会依赖“互联网+大数据”的数据密集型范式相比,流体力学智能化研究有其特有的背景.例如有限工程样本中产生的海量流动数据,与流动状态、几何边界条件的高维度以及复杂流动固有的高维、跨尺度、随机、非线性特征相比,数据驱动的流体力学研究面临着大数据小样本问题.经典流体力学虽然有三大研究范式,但融合度很低,工程设计师通常只能对不同来源的数据进行拼凑使用或简单修正.多源数据融合一定程度上可缓解单一样本量来源少、建模难,以及低精度样本利用不充分等困境,但仍未能实现基本范式中的理论模型或者专家知识和经验的充分利用.因此,在人工智能技术支撑的第四范式架构下,有机融合实验、理论模型以及数值模拟三大手段,发展“数据+知识”双驱动的流体力学多范式融合方法,成为解决重大实际工程研制问题的迫切需求,也是新时代流体力学学科内涵...     

鞭梢效应在“明日环”魔术的应用

“明日环”魔术也称魔结，或“喜结良缘”。当环自由下落时，套在其中间的闭合链条会迅速打结将环紧紧扣住。“明日环”魔术由于打结过程迅速，只有不到80 ms，背后隐藏的有趣力学原理很少被大家熟知。本文利用由4台高速相机组成的高速相机阵列实验平台，拍摄并重建了“明日环”魔术中链条打结这一关键过程。对环的运动和链条运动的定量分析发现，链条在魔术过程中存在鞭梢效应，使其能够在肉眼无法分辨的速度下完成打结，鞭梢效应是魔术成功的关键力学原理。     

弹性模量的发现历程

尽管弹性模量以英国科学家托马斯·杨（Thomas Young,1773—1829）的名义命名，被称为杨氏模量，然而，弹性模量的发现并非由托马斯·杨一人独立完成。本文通过文献梳理，重点分析了雅各布·伯努利（Jacob Bernoulli,1655—1705）、欧拉（Leonhard Euler,1707—1783）、里卡蒂（Giordano Riccati,1709—1790）、托马斯·杨、纳维（Claude-Louis Navier,1785—1836）等人在弹性模量发现过程中的贡献，通过勾勒弹性模量概念的发现历程，探索力学概念在其发展过程中的内在逻辑性。     

改进的泡泡布点方法研究

泡泡布点方法能够在复杂区域内生成高质量的节点集，但是其计算效率仍有待提高，为此本文做了两方面的改进。一是种子填充算法思想应用于节点的初始布置中，从而生成数目合适的节点集，省去了原布点方法中的节点增删过程，有效地节约模拟时间；二是简化了泡泡运动模拟的控制方程，使得运动模拟更加简单。数值算例表明，改进的泡泡布点方法生成的网格平均质量均高于0.94,且计算效率相比原布点方法提高90%以上。因此，改进的泡泡布点方法是一种高质量、高效率且适宜求解大规模问题的节点布置方法。