在黏性流动模拟中,近壁流动在物面法向方向上的速度梯度远大于切线方向,呈现出显著的各向异性特征.传统的各向同性笛卡尔网格方法在捕捉边界层流动细节时面临网格数量剧增和计算效率下降的挑战.针对这一问题,提出了一种基于自适应法向...在黏性流动模拟中,近壁流动在物面法向方向上的速度梯度远大于切线方向,呈现出显著的各向异性特征.传统的各向同性笛卡尔网格方法在捕捉边界层流动细节时面临网格数量剧增和计算效率下降的挑战.针对这一问题,提出了一种基于自适应法向射线加密(adaptive normal ray refinement,ANRR)的笛卡尔网格黏性流体仿真方法.该方法的核心要义在于,根据物面切线方向上的角度变化程度来自适应生成法向射线种子点,在法向射线附近进行网格加密,以精确捕捉边界层流动特征,同时在射线之间采用较粗糙的网格过渡,从而在保证计算精度的前提下有效减少整体网格数量.然后利用插值构建了射线间的高效信息传递技术,确保流场求解过程中的准确性.最后,对层流平板、低雷诺数圆柱绕流以及NACA0012翼型绕流等典型算例进行模型验证.结果表明,与传统几何自适应加密网格方法相比,ANRR网格方法在边界层流动区域显著减少了网格规模,在保持高精度的同时提升了计算效率,为自适应笛卡尔网格的黏性流动问题高效求解提供了新的解决方案.展开更多
针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特...针对软件可靠性早期预测中软件复杂性度量属性维数灾难问题,提出了一种基于最小绝对值压缩与选择方法(The Least Absolute Shrinkage and Select Operator,LASSO)和最小角回归(Least Angle Regression,LARS)算法的软件复杂性度量属性特征选择方法。该方法筛选掉一些对早期预测结果影响较小的软件复杂性度量属性,得到与早期预测关系最为密切的关键属性子集。首先分析了LASSO回归方法的特点及其在特征选择中的应用,然后对LARS算法进行了修正,使其可以解决LASSO方法所涉及的问题,得到相关的复杂性度量属性子集。最后结合学习向量量化(Learning Vector Quantization,LVQ)神经网络进行软件可靠性早期预测,并基于十折交叉方法进行实验。通过与传统特征选择方法相比较,证明所提方法可以显著提高软件可靠性早期预测精度。展开更多
基金Supported by the Guangdong Natural Science Foundation(S2012040007369)the Foundation for Distinguished Young Talents in Higher Education of Guangdong(2012LYM-0089)
文摘在黏性流动模拟中,近壁流动在物面法向方向上的速度梯度远大于切线方向,呈现出显著的各向异性特征.传统的各向同性笛卡尔网格方法在捕捉边界层流动细节时面临网格数量剧增和计算效率下降的挑战.针对这一问题,提出了一种基于自适应法向射线加密(adaptive normal ray refinement,ANRR)的笛卡尔网格黏性流体仿真方法.该方法的核心要义在于,根据物面切线方向上的角度变化程度来自适应生成法向射线种子点,在法向射线附近进行网格加密,以精确捕捉边界层流动特征,同时在射线之间采用较粗糙的网格过渡,从而在保证计算精度的前提下有效减少整体网格数量.然后利用插值构建了射线间的高效信息传递技术,确保流场求解过程中的准确性.最后,对层流平板、低雷诺数圆柱绕流以及NACA0012翼型绕流等典型算例进行模型验证.结果表明,与传统几何自适应加密网格方法相比,ANRR网格方法在边界层流动区域显著减少了网格规模,在保持高精度的同时提升了计算效率,为自适应笛卡尔网格的黏性流动问题高效求解提供了新的解决方案.
