公告
公告
超临界流体流动传热:从DNS到ANN
 

摘要:近年来,以超临界二氧化碳为工质的热循坏由于其巨大的应用潜力而受到广泛关注。然而,超临界流体在临界点附近的物性变化剧烈,导致传热劣化和其他复杂的物理现象。我们采用大规模并行直接数值模拟(DNS)来研究超临界流体的流动传热机理。三种不同的传统(FVM)&高阶求解器(SEM, DG)被用来模拟包括可压缩,不可压缩在内的一系列复杂工况。通过训练人工神经网络(ANN),我们提供了一种全新的快速可靠的对超临界传热特性的预测方法。我们使用一个基于实验数据的数据库来训练神经网络。独立验证和盲测结果表明,人工神经网络的性能明显优于常规用于传热预测的经验公式以及使用湍流模型的CFD方法,它能明显地捕获了近临界区域的突然传热恶化。

 

报告人:初旭 博士,斯图加特大学

个人简介初旭,2008年本科毕业于同济大学,在斯图加特大学先后获得车辆工程硕士和核能专业博士学位 (2016),  同年获任航空航天热物理学院 (德国工程院院士Prof. Bernhard Weigand) 课题组组长(Data-driven Simulaiton Science)并指导两名博士生。初旭博士的研究方向包括超临界流体,湍流与转捩以及多相流。他使用基于大规模并行求解器(Spectral, DG, CLSVOF)的直接数值模拟(DNS)来求解全部流场信息。近年来他主持三项德国tier1超算项目,获得累计一亿核时超算资源。初旭博士曾获国家优秀自费留学生奖,近三年发表论文二十余篇。

报告时间:5月20日13:30

报告地点:二办109