基于离散单元法和人工神经网络的近壁颗粒动力学特征研究1)

段总样 赵云华 徐 璋

(浙江工业大学机械工程学院,杭州 310014)

引言

密集颗粒流及气粒两相流大量应用于食品和药物加工、石油化工和能源转化等行业.由于颗粒与颗粒之间及气体与颗粒之间存在强烈的非线性耗散作用,密集颗粒流及气粒流动中往往会出现复杂的非均匀多尺度流动现象[1-5].近年来,国内外诸多学者致力于采用数值模拟方法来研究这种复杂流动,目前针对颗粒相的数值模拟方法主要有离散单元法(DEM)和双流体方法(TFM).DEM 相当于颗粒相的直接数值模拟,计算准确性高,但计算量大;而TFM 方法中颗粒相都被视为完全互穿的连续体,由单独的质量、动量和能量守恒方程描述.这种颗粒拟流体的连续性表示,使得计算量不直接取决于颗粒数,计算量相对较小.但需要提供额外的颗粒相本构模型以及气体与颗粒相间作用模型,而这些模型的可靠性将直接影响到TFM 计算结果的准确性.

颗粒动力学理论[6-8](KTGF)被广泛用于推导颗粒相本构模型,其中包含了描述颗粒与颗粒作用的本构模型和描述颗粒与固体壁面作用的壁面边界条件.对于后者,理论研究相对较少,当前应用最广泛的是Johnson 和Jackson 边界条件[9],它包含弹性恢复系数e和光滑因子φ两个输入参数,分别用以描述颗粒与壁面碰撞时法向和切向上的速度变化.光滑因子φ的直接实验测量是不可行的,通常都是通过调整数值来拟合实验数据而获得,这非常耗时且适用范围窄[10-11].为此,一……