上风式LRPIM求解对流占优问题影响因素分析

为处理对流扩散问题中对流项占优时的数值稳定性问题,采用局部上风式权函数,在局部径向基点插值无网格法（LRPIM）基础上构建了上风式局部径向基点插值无网格法(ULRPIM).将其与LRPIM方法的对流占优问题计算结果进行对比,发现ULRPIM能够得到比较好的结果.通过一维对流占优问题实例对比了不同影响因素下ULRPIM计算结果的相对误差,研究了影响因素对数值结果的稳定性的影响规律,给出了ULRPIM方法求解对流占优问题求解过程中的参数选取的参考值.结果表明:权函数的偏置量需要随着对流程度而变化,径向基函数（RBF）参数q、支持域尺寸对计算结果的影响比较大,RBF参数ac、Gauss积分点数量对计算结果的影响相对较小.因此,为获得稳定的数值计算结果,应首先考虑权函数偏置量的选取,然后根据具体计算实例选取合适的支持域尺寸、RBF参数和Gauss积分点数量.     

Taylor展开随机径向基点插值无网格法在随机非稳态热传导中的应用

用Taylor展开随机径向基点插值无网格法(TSRPIM)对随机温度场进行了分析.径向基点插值是一种新型的无网格法,采用耦合径向基函数和多项式基函数构造近似函数,有效地解决了点插值中系数矩阵奇异性问题,而且由于插值具有Delta函数性质,可以直接施加本质边界条件.同时利用Taylor展开法,建立了随机结构分析的Taylor展开随机径向基点插值无网格法(TSRPIM).数值实例表明在随机温度场分析方面随机无网格法具有明显的优势.     

稳定磁流体局部径向基点插值法误差影响因素分析

稳定磁流体流动方程局部径向基方法的关键参数对计算结果误差影响较大,确定这些参数的最优值将提高计算精度。通过对具体磁流体流动数值仿真计算分析局部径向基算法典型参数对计算结果精度的影响,并得到其变化规律,最终确定了LRPIM法计算磁流体流动典型参数的最优值。     

径向基点插值无网格法与有限元耦合法

为了发挥无网格法和有限元法各自的优势,提出了径向基点插值无网格法与有限元直接耦合的计算方法.比较了点插值无网格方法与无网格Galerkin法(element-free Galerkin method, EFG)的优缺点:无网格法只需要结点信息,无需单元信息,克服了有限元计算中网格畸变和重新生成带来的困难,故其在分析裂纹扩展和局部大变形等问题方面具有优势.对悬臂梁受集中荷载问题进行了计算,两种计算结果一致,但是本算法效率较高.用本方法与FEM耦合方法对半无限平面受集中荷载问题进行了计算,结果表明:本文的耦合方法可行,计算效率较高.     

移动最小二乘形函数插值精度

移动最小二乘近似作为无网格法中广泛采用的形函数构造方法,其插值精度直接决定数值分析的质量.移动最小二乘形函数的性质通过编写的程序进行计算验证和讨论,重点分析了形函数插值精度对各影响因素的敏感性,并对已知函数的表面拟合进行检验,给出了合理的参数取值与选择范围.研究结果表明,权函数形状、支持域尺度、基函数形式和插值点密度等,对移动最小二乘形函数的插值稳定性和插值精度均有重要影响.     

对流占优扩散问题的一种特征差分方法

用基于一般的 L agrange插值的特征差分方法求解对流占优扩散问题 ,会出现较大的数值扩散或者数值振荡等困难 ,高阶单调插值又计算复杂。该文采用 A.A .Sam arskii构造差分格式的方法 ,建立了一种新的特征差分方法。先对对流扩散方程的扩散项进行修改 ,然后再进行特征差分。此方法具有较高精度 ,并消除了非物理振荡。证明了方法的无条件稳定性。数值结果表明 ,该方法可成功求解对流占优扩散问题。     

谱元方法求解对流扩散方程及其稳定性分析

探讨了一维对流扩散方程的一种高精度数值解法,该解法在空间上采用了Chebyshev谱元方法,在时间上结合了半隐式Adams方法。通过数值算例验证了解法的可行性,利用特征分析法得到了对流扩散方程谱元求解时不同离散形式的稳定性条件,并对数值求解的稳定性进行了预测。通过时间步长、网格划分、对流项和黏性项插值阶数的影响研究表明:耦合Chebyshev谱元方法和半隐式Adams方法在求解对流扩散方程时能够获得高精度的数值解;时间离散时Adams方法的黏性项采用一阶插值形式、对流项采用二阶插值形式,在未增加计算量的同时能够获得较大的稳定区域和较高的计算精度。     

双互易杂交边界点方法求解Helmholtz方程

提出了一种新的边界类型无网格法——双互易杂交边界点方法,它将杂交边界点法和双互易法结合,来求解Helmholtz方程.该方法将Helmholtz方程的解分为通解和特解两部分,通解使用杂交边界点方法求解,特解则利用径向基函数近似.该方法只需要边界上离散的点,域内少数的点仅仅是为了径向基函数插值.通过数值算例对影响该方法性能的参数进行了研究.数值算例表明,该方法在求解Helmholtz方程时有较高的精度和数值稳定性.     

基于无网格法的孔板应力集中问题的研究

带有多项式基的径向点插值无网格方法是一种新型的数值计算方法.在对该无网格法基本理论介绍的基础上,将其应用于弹性力学边值问题中,对开有长槽型孔的薄板进行了数值计算,并重点研究了薄板受单向拉伸时的应力分布及孔边应力集中问题,获得了孔半径r、槽长l和偏心距e与应力集中系数之间的变化关系.     

无网格法计算误差分析

探讨了无网格法中形函数的性态及对计算结果的影响 ,讨论了无网格法产生误差的原因 .主要分析了无网格伽辽金法 (EFGM )节点不良分布以及采用一般高次多项式基构造形函数时 ,致使形函数中矩阵A(X)病态 ,从而导致全局数值解振荡的原因 .就不同的基函数对插值函数及无网格法的计算精度的影响作了分析比较 ,得出了基函数的选取标准 ,算例说明使用三次基函数计算精度最高 .     

基于摄动技术的随机无网格点插值法在结构可靠性分析中的应用

为有效解决点插值法在随机结构可靠性分析中遇到的系数矩阵奇异性问题及提高解的精度问题,将带有多项式的径向基函数点插值法与随机摄动技术相结合引入到随机结构问题计算中.采用径向基函数耦合多项式基函数构造形函数,其插值函数具有Kronecker Delta函数性质,可以很方便地施加本质边界条件.最后用算例验证了此方法不仅在随机...     

功能梯度材料中的无网格局部径向点插值法

提出一种新的无网格局部径向点插值法来分析功能梯度材料．这种无网格方法采用径向基函数耦合多项式基函数来近似试函数,采用Heaviside函数作为加权残值法中的权函数．构造成的形函数具有Kronecker Delta性质,不再需要额外的处理来施加本质边界条件．若不考虑体力,则所形成的整体刚度矩阵只包含局部边界积分,而不包含局部域积分和奇异积分．在计算过程中,取局部边界积分中的高斯点的材料参数来模拟问题域材料特性的变化．结果表明,这是一种真正的无网格方法,具有模拟简单,计算精度高等优点．     

采用人群搜索算法的径向基函数神经网络参数整定方法

针对径向基函数(RBF)神经网络的逼近结构中,对权值、基宽和中心向量的初始值等参数的选取不当,导致系统的鲁棒性变差、收敛精度降低,甚至不再收敛的问题,提出一种基于人群搜索算法的RBF神经网络的参数整定方法.以基于遗传算法和基于粒子群算法的RBF神经网络参数整定方法为对比条件,采用MATLAB软件进行实验与分析.结果表明:应用人群搜索算法去优化RBF神经网络的初始参数,能有效地提升RBF神经网络的逼近精度,验证了该算法的可行性.     

用无网格局部径向点插值法分析功能梯度材料问题

采用无网格局部径向点插值法来分析功能梯度材料问题．这种无网格方法采用径向基函数耦合多项式基函数来近似试函数,采用三次样条函数作为加权残值法中的权函数．所构造成的形函数具有Kronecker Delta性质,方便处理本质边界条件．在计算过程中,取积分中的高斯点的材料参数来模拟问题域材料特性的变化．结果表明这是一种真正的无网格方法,模拟简单而且计算精度高．     

径向基函数局部插值的加权最小二乘配点法

基于径向基函数局部插值的加权最小二乘法,给出了方法的基本原理及求解的一般过程．通过对Poisson方程和悬臂梁弯曲的计算验证了该方法的有效性,并讨论了几个关键因素对收敛性的影响,得出了一些有益的结论．     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于RBF和TSVD正则化求解泊松方程

针对泊松方程的数值解,提出了一种基于截断奇异值分解(TSVD)的正则化和径向基函数(RBF)的改进的无网格方法.由于通过RBF拟合方程所产生的系数矩阵经常是病态的,TSVD正则化方法可以改善RBF无网格方法而获得更精确的数值解,与传统的RBF方法相比能够获得更好的数值结果,而且通过选择恰当的径向基函数,也能够提高数值解的精度.     

多模式集成的RBF神经网络天气预报

针对复杂庞大的多模式数值预报数据,提出一种径向基函数(RBF)神经网络集成天气预报模型.根据天津市预报站点采用的WRF模式、RUC模式等数值预报数据的特点,将多种单模式数据作为RBF神经网络输入,网络输出为集成预报结果.实验表明:RBF神经网络集成预报模型降低了单模式预报误差,更加贴近了真实数据,并且在稳定性和实效性方面均有良好表现.     

基于改进免疫算法的两级径向基函数网络学习方法

结合改进的免疫算法和最小二乘法，提出了一种设计径向基函数(RBF)网络的两级学习方法。该方法利用免疫算法确定RBF网络隐层的非线性参数，能够有效克服进化算法的未成熟收敛现象。改进的免疫算法针对RBF网络的特点，采用基于矢量距离的亲和度计算方法，克服了原有基于信息熵计算方法存在的计算复杂、参数难于确定的缺陷。将这种方法设计的RBF网络用于Mackey-Glass混沌序列预测的仿真实验证明了该方法的有效性。