پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 671 |
| تعداد مقالات | 9,773 |
| تعداد مشاهده مقاله | 69,537,119 |
| تعداد دریافت فایل اصل مقاله | 48,654,636 |
شبیهسازی یک قطار تندرو در برابر جریان هوای آشفته با استفاده از روش‌های دینامیک سیالات محاسباتی و الگوریتم شبکه عصبی پیش‌روی چندلایه | ||
| مدل سازی در مهندسی | ||
| دوره 19، شماره 67، دی 1400، صفحه 119-134 اصل مقاله (2.25 M) | ||
| نوع مقاله: مقاله مکانیک | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2021.21957.2004 | ||
| نویسندگان | ||
| علیرضا حاجی پور1؛ آرش میرعبد اله لواسانی* 2؛ محمد افتخاری یزدی3 | ||
| 1دانشجوی دکتری-گروه مهندسی مکانیک، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2عضو هیئت علمی گروه مکانیک، دانشگاه آزاد اسلامی واحد تهران مرکزی | ||
| 3استادیار، گروه مهندسی مکانیک، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | ||
| تاریخ دریافت: 16 آذر 1399، تاریخ بازنگری: 01 تیر 1400، تاریخ پذیرش: 19 تیر 1400 | ||
| چکیده | ||
| در این مطالعه، عملکرد آیرودینامیک یک قـطار تندرو در برابر یک جریان هوای آشفته به‌صورت عددی از دو منظر تحلیل شده است. نخست با استفاده از دینامیک سیالات محاسباتی تحلیل مؤلفه‌های جریان و آیرودینامیک سیال انجام شده است و سپس با به‌کارگیری الگوریتم شبکه عصبی پیش‌روی چندلایه، یک پیش‌بینی و مقایسه با مقادیر به‌دست‌آمده از نتایج دینامیک سیالات محاسباتی ارائه شده است. بدین‌منظور، با استفاده از روش میان‌گیری رینولدز معادلات ناویر-استوکس و روش آشفتگی 𝑘-𝜔 (SST)، یک جریان هوای غیرقابل‌تراکم و آشفته اطراف یک نمونه قطار تندروی عمومی با به‌کارگیری نرم‌افزار OpenFOAM شبیهسازی شده است. در این پژوهش، برخی از مهم‌ترین و کلیدی‌ترین مؤلفه‌های جریان و آیرودینامیک اعم از سرعت، فشار، خطوط جریان، ساختار جریان، ضرایب فشار و نیروهای پسا ، برآ و جانبی برای تغییرات زوایای حمله مختلف و تغییرات سرعت جریان هوا بررسی و مقایسه شده است. در ادامه، الگوریتم شبکه عصبی پیش‌روی چندلایه که توسط داده‌های مختلف اصلاح شده است، برای پیش‌بینی مقادیر خروجی مسئله به‌کارگیری شده است. بر این اساس، نیروهای آیرودینامیک پسا، برآ و جانبی برای زوایای حمله و سرعت‌های مختلف توسط این روش الگوریتمی به‌دست آمده و با نتایج حاصل از شبیهسازی عددی دینامیک سیالات محاسباتی مقایسه شده است. مقایسه انجام‌شده نشان‌دهنده تناسب خوب میان داده‌های آیرودینامیک و شبکه عصبی به‌کارگرفته شده است. | ||
| کلیدواژه‌ها | ||
| دینامیک سیالات محاسباتی؛ آیرودینامیک؛ قطار تندرو؛ روش‌های آشفتگی؛ الگوریتم شبکه عصبی؛ OpenFOAM | ||
| عنوان مقاله [English] | ||
| Simulation of a High-Speed Train against a Turbulent Air Flow using Computational Fluid Mechanics Method and Multi-Layer Feed-Forward Neural Network Algorithm | ||
| نویسندگان [English] | ||
| Alireza Hajipour1؛ Arash Mirabdolah Lavasani2؛ Mohammad Eftekhari Yazdi3 | ||
| 1Department of Mechanical Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 2Faculty Member of Islamic Azad University, Central Tehran Branch | ||
| 3Department of Mechanical Engineering, Central Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| چکیده [English] | ||
| In this study, the aerodynamic performance of a high-speed train against a turbulent air flow is examined numerically from two approaches. First, using computational fluid dynamics, the parameters of aerodynamics and fluid flow are analyzed and then, using Multi-Layer Feed-Forward Neural Network (MLFFNN) Algorithm, a prediction and comparison with the obtained values from the CFD analysis are presented. To achieve this, using Reynolds-Averaged Navier-Stokes (RANS) method with 𝑘-𝜔 (SST) turbulence model, an incompressible turbulent air flow around a high-speed train model by OpenFOAM CFD Software is simulated. In this research, some of the significant and key parameters of fluid flow and aerodynamics as velocity, pressure, streamlines, flow structure, pressure coefficients, drag, lift and side forces for some yaw angles of wind movement and velocity changes are analyzed and compared. In the following, the Multi-Layer Feed-Forward Neural Network which is modified with various data is applied for prediction of the output of the problem. Accordingly, the aerodynamic drag, lift and side forces for the yaw angles of wind movement and velocity changes by this algorithm method are obtained and compared with the obtained results from CFD analysis. The comparisons indicate an appropriate similarity between the CFD data and the used MLFFNN one. | ||
| کلیدواژه‌ها [English] | ||
| CFD, Aerodynamics, High-speed train, k-ω (SST) Turbulence Model, Neural Network Algorithm | ||
| مراجع | ||
|
[1] N. Paradot, C. Talotte, H. Garem, J. Delville, and J. P. Bonnet, “A Comparison of the Numerical Simulation and Experimental Investigation of the Flow Around a High-Speed Train”, ASME 2002 Fluids Engineering Division Summer Meeting Montreal, Quebec, Canada, July 14-18, 2002. [2] W. Khier, M. Breuer, and F. Durst, “Numerical Computation of 3-D Turbulent Flow Around High-Speed Trains Under Side Wind Conditions”, TRANSAERO - A European Initiative on Transient Aerodynamics for Railway System Optimisation, Vol. 79, 2002, pp. 75-86. [3] C. Fauchier, E. Le Devehat, and R. Gregoire, “Numerical study of the turbulent flow around the reduced-scale model of an Inter-Regio”, TRANSAERO - A European Initiative on Transient Aerodynamics for Railway System Optimisation, Vol. 79, 2002, pp. 61-74. [4] C. H. Shin, and W. G. Park, “Numerical study of flow characteristics of the high-speed train entering into a tunnel”, Mechanics Research Communications, Vol. 30, No. 4, July–August 2003, pp. 287–296. [5] H. Tian, “Formation mechanism of aerodynamic drag of high-speed train and some reduction measures”, Journal of Central South University of Technology, Vol.16, No. 1, 2009, pp. 166–171. [6] J. Zhao, and R. Li, “Numerical Analysis for Aerodynamics of High- Speed Trains Passing Tunnels”, The Aerodynamics of Heavy Vehicles II: Trucks, Buses, and Trains, Vol. 41, 2009, pp. 239-239. [7] S. Krajnović, “Optimization of Aerodynamic Properties of High-Speed Trains with CFD and Response Surface Models”, The Aerodynamics of Heavy Vehicles II: Trucks, Buses, and Trains, Vol. 41, 2009, pp. 197-211. [8] X. Li, J. Deng, D. Chen, F. Xie, and Y. Zheng, “Unsteady simulation for a high-speed train entering a tunnel”, Journal of Zhejiang University-SCIENCE A, Vol. 12, 2011, pp. 957–963. [9] D. Wang, W. Li, W. Zhao, and H. Han, “Aerodynamic Numerical Simulation for EMU Passing Each Other in Tunnel”, Proceedings of the 1st International Workshop on High-Speed and Intercity Railways, Vol. 148, 2012, pp. 143-153. [10] M. B. Asress, and J. Svorcan, “Numerical investigation on the aerodynamic characteristics of high-speed train under turbulent crosswind”, Journal of Modern Transportation, Vol. 22, No. 4, 2014, pp. 225–234. [11] L. Peng, R. Fei, C. Shi, W Yang, and Y. Liu, “Numerical Simulation about Train Wind Influence on Personnel Safety in High-Speed Railway Double-Line Tunnel”, Parallel Computational Fluid Dynamics, Vol. 405, 2014, pp. 553-564. [12] Y. Shuanbao, G. Dilong, S. Zhenxu, Y. Guowei, and C. Dawei, “Optimization design for aerodynamic elements of high-speed trains”, Computers & Fluids, Vol. 95, No. 22, May 2014, pp. 56–73. [13] C. R. Chu, S. Y. Chien, C. Y. Wang, and T. R. Wu, “Numerical simulation of two trains intersecting in a tunnel”, Tunnelling and Underground Space Technology, Vol. 42, May 2014, pp. 161–174. [14] J. Zhang, G. Gao, T. Liu, and Z. Li, “Crosswind stability of high-speed trains in special cuts”, Journal of Central South University, Vol. 22, No. 7, 2015, pp. 2849–2856. [15] J. A. Morden, H. Hemida and C. J. Baker, “Comparison of RANS and Detached Eddy Simulation Results to Wind-Tunnel Data for the Surface Pressures Upon a Class 43 High-Speed Train”, Journal of Fluids Engineering, Vol. 137, No. 4, April 2015, pp. 041108. [16] Y. Zhuang, and X. Lu, “Numerical investigation on the aerodynamics of a simplified high-speed train under crosswinds”, Theoretical and Applied Mechanics Letters, Vol. 5, No. 5, August 2015, pp. 181–186. [17] C. Catanzaro, F. Cheli, D. Rocchi, P. Schito, and G. Tomasini, “High-Speed Train Crosswind Analysis: CFD Study and Validation withWind-Tunnel Tests”, The Aerodynamics of Heavy Vehicles III, Vol. 79, 2016, pp. 99-112. [18] S. Ding, Q. Li, A. Tian, J. Du, and J. Liu, “Aerodynamic design on high-speed trains”, Acta Mechanica Sinica, Vol. 32, No. 2, 2016, pp. 215–232. [19] T. H. Liu, X. C. Su, and J. Zhang, “Aerodynamic performance analysis of trains on slope topography under crosswinds”, Journal of Central South University, Vol. 23, No. 9, 2016, pp. 2419−2428. [20] A. Premoli, D. Rocchi, P. Schito, and G. Tomasini, “Comparison between steady and moving railway vehicles subjected to crosswind by CFD analysis”, Journal of Wind Engineering and Industrial Aerodynamics, Vol. 156, September 2016, pp. 29–40. [21] Z. Li, M. Yang, S. Huang, and X. Liang, “A new method to measure the aerodynamic drag of high-speed trains passing through tunnels”, Journal of Wind Engineering and Industrial Aerodynamics, Vol. 171, December 2017, pp. 110–120. [22] X. Li, D. Zhou, L. Jia, and M. Yang, “Effects of yaw angle on the unsteady aerodynamic performance of the pantograph of a high-speed train under crosswind”, Journal of Wind Engineering and Industrial Aerodynamics, Vol. 182, November 2018, pp. 49–60. [23] H. Li, X. He, H, Wang, and A. Kareem, “Aerodynamics of a scale model of a high-speed train on a streamlined deck in cross winds”, Journal of Fluids and Structures, Vol. 91, November 2019, pp. 102717. [24] M. M. Rashidi, A. Hajipour, T. Li, Z. Yang, and Q. Q. Li, “A Review of Recent Studies on Simulations for Flow around High-Speed Trains”, Journal of Applied and Computational Mechanics, Vol. 5. No. 2, 2019, pp. 311-333. [25] A. Hajipour, A. M. Lavasani, and M. E. Yazdi. “Investigation of wall function effects on aerodynamic characteristics of turbulent flow around a simplified high-speed train”, International Journal of Heat and Technology, Vol. 39, No. 1, 2021, pp. 309-318. [26] M. Yu, J. Liu, and Z. Dai, “Aerodynamic characteristics of a high-speed train exposed to heavy rain environment based on non-spherical raindrop”, Journal of Wind Engineering and Industrial Aerodynamics, Vol. 211, 2021, p. 104532. [27] W. Li, T. Liu, P. Martinez-Vazquez, Z. Chen, Z. Guo, M. Li, Y. Xia, and H. Liu, “Aerodynamic effects of a high-speed train travelling through adjoining & separated tunnels”, Tunnelling and Underground Space Technology, Vol. 113, 2021, 103973. [28] E. Deng, W. Yang, X. He, Z. Zhu, H. Wang, Y. Wang, A. Wang, and L. Zhou, “Aerodynamic response of high-speed trains under crosswind in a bridge-tunnel section with or without a wind barrier”, Journal of Wind Engineering and Industrial Aerodynamics, Vol. 210, 2021, p. 104502. [29] F. Tao C. Zhaobo, and W. Zhonglon, “Genetically Aerodynamic Optimization of High-Speed Train Based on the Artificial Neural Network Method”, Okada H., Atluri S. (eds) Computational and Experimental Simulations in Engineering. ICCES 2019. Mechanisms and Machine Science, Vol. 75, 2020, 1253-1270. [30] هادی دستورانی و محمدحسن جوارشکیان، «بررسی آیرودینامیکی جریان پتانسیل روی هواپیماهای بال و بدنه یکپارچه»، مجله مدلسازی در مهندسی، سال چهاردهم، شماره 47، زمستان 1395، صفحه 127-140. [31] قاسم حیدرینژاد و محمد جدیدی، «شبیهسازی نحوه پخش آلودگی در پشت یک ساختمان با استفاده از یک روش RANS-LES»، مجله مدلسازی در مهندسی، سال پانزدهم، شماره 49، تابستان 1396، صفحه 17-27. [32] پوریا اکبرزاده و مهسا مصطفوی، «بررسی اثر دمش و مکش از یک یا دو موقعیت روی سطح مکش ایرفویل NACA0012 بر عملکرد آیرودینامیکی آن در جریان آشفته»، مجله مدلسازی در مهندسی، سال پانزدهم، شماره 51 ، زمستان 1396، صفحه 331- 240. [33] A. Y. Shamseldin, A. E. Nasr, and K. M. O’Connor, “Comparison of different forms of the Multi-layer Feed-Forward Neural Network method used for river flow forecasting”, Hydrology and Earth System Sciences, Vol. 6, 2002, pp. 671–684. [34] D. Svozil, V. Kvasnička, and J. Pospichal, “Introduction to multi-layer feed-forward neural networks”, Chemometrics and Intelligent Laboratory Systems, Vol. 39, 1997, pp. 43-62. | ||
|
آمار تعداد مشاهده مقاله: 989 تعداد دریافت فایل اصل مقاله: 354 |
||