格子Boltzmann 方法模拟C/C 复合材料 颗粒沉积过程 罗思璇 () Particle Deposition Process Simulation in C/C Composites by Lattice-Boltzmann Method Luo Sixuan () Abstract: Lattice Boltzmann method is used here to study the particle deposition process on C/C composites surface. This method considered the boudary condition change during particle deposition. Finally, the deposition pattern is obtained. Keywords: LB Method; flow-particle coupling; C/C composites; deposition 摘要：本文使用格子Boltzmann 方法研究了固体火箭发动机中C/C 复合材料表面上颗粒的沉积模态。该方法考虑了沉积过程中边界形貌的变化对流场的影响，最终得到了颗粒在碳纤维表面的沉积形态。 关键词：LB 方法；流固耦合；C/C 复合材料；沉积 0 引言 C/C 复合材料是目前新材料领域重点研究和开发的一种新型超高温热结构材料，具有密度小，比强度大、热膨胀系数低、热导率高等特点，是理想的航空航天高温材料[1, 2]。 C/C 复合材料在工作过程中其表面流过的工质为高温燃气。高温燃气中通常带有燃烧产生的固体颗粒，如选用较高比冲的含铝推进剂时会产生一定量的凝聚相(Al2O3颗粒)。固体颗粒在C/C 复合材料表面的沉积、冲刷及烧蚀会造成材料内型面的破坏，甚至影响气动性能。 本文使用格子Boltzmann 方法模拟C/C 复合材料中碳纤维上颗粒沉积过程及形态。 1模拟流场的格子Boltzmann 模型 格子Boltzmann 方法是近二十年来刚发展起来的，一种以“半晶格分离法”为处理方式的新型热量逐级传递数值方法,最初是在研究电磁场中的流动现象时被提出的，并且该方法可以确定流体域、固体域和温度场在边界处的连续性,十分适合针对复杂几何形状流固耦合传热问题的数值分析。与传统的经典CFD 方法相比，格子波尔兹曼算法具有很多优点。因而近年来受到国内外学者的广泛关注,并迅速在气固两相流和传热等研究领域得到应用。 格子Boltzmann 方法将流体抽象为微观的虚拟颗粒，通过这些颗粒在规则的网格点上进行碰撞和迁移来达到模拟流场的目的。分布函数f i (x ,t )表示t 时刻，x 网格点上，速度为c i 流体颗粒的概率密度，流场的宏观量通过对分布函数进行统计而得到。本文使用D3Q15模型模拟流场，流体宏观密度ρ和动量ρu 计算如下： 10 Q i i f ρ-==∑，1 Q i i i f ρ-==∑u c (1) 本文使用BGK 碰撞算子[3]，流场演化方程为： eq (,)(,)[(,)(,)]i i i i i f x t t t f x t f x t f x t τ+??+?-=-c (2) 其中?t 为时间步长，τ为无量纲松弛时间，eq i f 为平衡态分布函数，在D2Q9模型中如下计算：
马尔可夫链模型简介 设考察对象为一系统,若该系统在某一时刻可能出现的事件集合为,}{N N E E E E E E ??????,2,1,2,1,两两互斥,则陈i E 为状态。N i ???=,2,1。称该系统从一种状态i E 变化到另一状态j E 的过程称为状态转移，并把整个系统不断实现状态转移的过程称为马尔可夫过程。 定义1 具有下列两个性质的马尔可夫过程称为马尔可夫链： （1）无后效性，即系统的第n 次实验结果出现的状态，只与第1-n 次有关，而与它以前所处的状态无关； （2）具有稳定性，该过程逐渐趋于稳定状态，而与初始状态无关。 定义2 向量),,,(21n u u u u ???= 成为概率向量，如果u 满足： ?? ???=???=≥∑=n j j j u n j u 11,,2,10 定义3 如果方阵P 的每行都为概率向量，则称此方阵为概率矩阵。 如果矩阵A 和B 皆为概率矩阵，则AB ，k A ，k B 也都是概率矩阵（k 为正整数）。 定义4 系统由状态i E 经过一次转移到状态j E 的概率记为ij P ，称矩阵 ????????????????????????=32 12222111211N N N N N P P P P P P P P P P 为一次（或一步）转移矩阵。 转移矩阵必为概率矩阵，且具有以下两个性质： 1、P P P k k )1()(-=； 2、k k P P =)(
其中)(k P 为k 次转移矩阵。 定义5 对概率矩阵P ，若幂次方)(m P 的所有元素皆为正数，则矩阵P 称为正规概率矩阵。（此处2≥m ） 定理1 正规概率矩阵P 的幂次方序列P ，2P ，3P ，…趋近于某一方阵T ，T 的每一行均为同一概率向量t ，且满足t tP = 。 马尔可夫链模型如下： 设系统在0=k 时所处的初始状态 ),,() 0()0(2)0(1)0(N S S S S ???=为已知，经过k 次转移后的状态向量 ),,()()(2)(1)(k N k k k S S S S ???=),2,1(???=k ，则 ??????? ?????? ?????????????=NN N N N N k P P P P P P P P P S S 212222111211)0() ( 此式即为马尔可夫链预测模型。 由上式可以看出，系统在经过k 次转后所处的状态)(k S 取决与它的初始状态)0(S 和转移矩阵P 。 马尔可夫引例 例1：市场占有率预测 设有甲、乙、丙三家企业，生产同一种产品，共同供应1000家用户，各用户在各企业间自由选购，但不超出这三家企业，也无新的用户，假定在10月末经过市场调查得知，甲，乙，丙三家企业拥有的客户分别是：250户，300户，450户，而11月份用户可能的流动情况如下表所示：
Matlab实现格子玻尔兹曼方法 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % cylinder.m: Flow around a cyliner, using LBM %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % This program is free software; you can redistribute it and/or % modify it under the terms of the GNU General Public License % as published by the Free Software Foundation; either version 2 % of the License, or (at your option) any later version. % This program is distributed in the hope that it will be useful, % but WITHOUT ANY WARRANTY; without even the implied warranty of % MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the % GNU General Public License for more details. % You should have received a copy of the GNU General Public % License along with this program; if not, write to the Free % Software Foundation, Inc., 51 Franklin Street, Fifth Floor, % Boston, MA 02110-1301, USA. %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% clear % GENERAL FLOW CONSTANTS lx = 250; ly = 51; obst_x = lx/5+1; % position of the cylinder; (exact obst_y = ly/2+1; % y-symmetry is avoided) obst_r = ly/10+1; % radius of the cylinder uMax = 0.02; % maximum velocity of Poiseuille inflow Re = 100; % Reynolds number nu = uMax * 2.*obst_r / Re; % kinematic viscosity omega = 1. / (3*nu+1./2.); % relaxation parameter maxT = 400000; % total number of iterations tPlot = 5; % cycles % D2Q9 LATTICE CONSTANTS t = [4/9, 1/9,1/9,1/9,1/9, 1/36,1/36,1/36,1/36]; cx = [ 0, 1, 0, -1, 0, 1, -1, -1, 1]; cy = [ 0, 0, 1, 0, -1, 1, 1, -1, -1]; opp = [ 1, 4, 5, 2, 3, 8, 9, 6, 7]; col = [2:(ly-1)]; [y,x] = meshgrid(1:ly,1:lx); obst = (x-obst_x).^2 + (y-obst_y).^2 <= obst_r.^2; obst(:,[1,ly]) = 1;
Matlab实现格子玻尔兹曼方法(Lattice Boltzmann Method,LBM)模拟clear % GENERAL FLOW CONSTANTS lx = 250; ly = 51; obst_x = lx/5+1; % position of the cylinder; (exact obst_y = ly/2+1; % y-symmetry is avoided) obst_r = ly/10+1; % radius of the cylinder uMax = 0.02; % maximum velocity of Poiseuille inflow Re = 100; % Reynolds number nu = uMax * 2.*obst_r / Re; % kinematic viscosity omega = 1. / (3*nu+1./2.); % relaxation parameter maxT = 400000; % total number of iterations tPlot = 5; % cycles % D2Q9 LATTICE CONSTANTS t = [4/9, 1/9,1/9,1/9,1/9, 1/36,1/36,1/36,1/36]; cx = [ 0, 1, 0, -1, 0, 1, -1, -1, 1]; cy = [ 0, 0, 1, 0, -1, 1, 1, -1, -1]; opp = [ 1, 4, 5, 2, 3, 8, 9, 6, 7]; col = [2:(ly-1)]; [y,x] = meshgrid(1:ly,1:lx); obst = (x-obst_x).^2 + (y-obst_y).^2 <= obst_r.^2; obst(:,[1,ly]) = 1; bbRegion = find(obst); % INITIAL CONDITION: (rho=0, u=0) ==> fIn(i) = t(i) fIn = reshape( t' * ones(1,lx*ly), 9, lx, ly); % MAIN LOOP (TIME CYCLES) for cycle = 1:maxT % MACROSCOPIC VARIABLES rho = sum(fIn); ux = reshape ( ... (cx * reshape(fIn,9,lx*ly)), 1,lx,ly) ./rho; uy = reshape ( ... (cy * reshape(fIn,9,lx*ly)), 1,lx,ly) ./rho; % MACROSCOPIC (DIRICHLET) BOUNDARY CONDITIONS
波尔兹曼方法基本原理 格子Boltzmann 方法是使用简单的微观模型来模拟流体的宏观行为的一种新的方法。格子Boltzmann 方法是建立在微观粒子运动论基础上的数值计算方法。其求解过程一般需要通过编程来实现！ 一般来说研究流体的行为有两种方法：一种是从宏观的角度出发，假设流体连续分布于整个流场，注入密度、速度、压力等物理量均是时间可空间的足够光滑的函数。另一种是从微观的角度，从非平衡统计力学的观点出发，假设流体是由大量的微观的例子组成，这些例子遵守力学定律，同时服从统计定律，运用统计的方法来讨论流体的宏观性质。 然而流体是由大量的粒子组成的，当我们从宏观的角度研究流体行为的时候，并没有涉及到单个粒子的行为。通常我们所感兴趣的事代表某个点的宏观量，例如密度、速度、压力。根据连续性假设我们可以推导出N-S 方程，并且利用数学上的微积分知识来求解，然而由于N-S 方程是高度非线性化的偏微分方程，仅仅一些具有简单变界或者比较严格物理闲着的现象才能够得到理论分析界，如果从微观的角度了研究单个粒子的真是行为，对于一个包含大量例子的系统来说粒子的运动方程往往是得不到解的。统计学可以考虑整个系统所有的状态以及处理这个状态的概率来解决这些困难，对于稀薄气体所得到的就是Boltzmann 方程，但是得到的方程还不够，我们还要借助于统计方法得到流体的宏观性质，这就要求解Boltzmann 方程，然而Boltzmann 方程是一非线性微分方程，一般情况下严格求解也是非常困难的。 格子气方法是近年来发展起来的模拟流体力学以及其他系统的比较新的方法，格子气自动机模拟流场，就是将流体及其存在的时间和空间完全离散，给出离散的流体粒子之间相互作用以及迁移的规则。流体只存在于空间网格上，用一系列布尔变量,.....,2,1)(,(b i t x n i =来描述在时刻t 位于x 处节点的每一个速度方向是否有粒子存在，其中b 表示每一个节点的速度方向的数目，粒子在每一个时间步长的演化包括两部分：()a 迁移，粒子沿它的速度方向向距离最近的节点运动；()b 碰撞，当不同的粒子同时到达某个节点时，按照一定的碰撞规则发生碰撞并改变运动的方向，格子气模型具有两重 意义： ()a 尽可能建立一个简单的模型是指能够用来模拟一个有大量粒子组成的系统；()b 反映粒子真实碰撞的本质，这样经过长时间我们可以获得流体的宏观特性。 粒子的演化过程能够用来模拟宏观的流体过程是基于下列事实，即流体的宏观特性是系统内大量粒子整体行为的结果。分子之间的相互作用可以改变流体的传输特性，比如粘度，但是并不改变宏观方程的基本形式。 格子气的HPP 模型与FPH 模型 HPP 模型将流体存在的空间划分为间距为单位长度的正方形网格，将流体想象成许多有质量没有体积的微小粒子组成，在同一时刻同一网格节点上，每一个速度方向最多允许存在一个粒子，每个粒子可以向四个方向的其中之一运动，并且遵守以下碰撞准则：当且仅当只有两个粒子沿相反方向达到某节点时（对头碰撞），它们沿另外的两个方向离开该节点，其他情形则直接穿透，PHP 模型则是将流场划分为间距为单位长度的正三角网格，并且增加了相应的碰撞准则。 格子气的微观方程 为简单起见，以HPP 模型为例，用()x ,t n i 代表在时刻t 位置x 处的节点上第i 个方向的粒子数，则整个布尔场的更新可以写成 ()()()()231312,1++++++-Λ-ΛΛ-Λ-ΛΛ-Λ=++i i i i i i i i i i i n n n n n n n n n e x t n ν
马尔可夫链模型 马尔可夫链模型（Markov Chain Model） 目录 [隐藏] ? 1 马尔可夫链模型概述 ? 2 马尔可夫链模型的性质 ? 3 离散状态空间中的马尔可夫链 模型 ? 4 马尔可夫链模型的应用 o 4.1 科学中的应用 o 4.2 人力资源中的应用 ? 5 马尔可夫模型案例分析[1] o 5.1 马尔可夫模型的建 立 o 5.2 马尔可夫模型的应 用 ? 6 参考文献 [编辑] 马尔可夫链模型概述 马尔可夫链因安德烈·马尔可夫（Andrey Markov，1856－1922）得名，是数学中具有马尔可夫性质的离散时间随机过程。该过程中，在给定当前知识或信息的情况下，过去（即当期以前的历史状态）对于预测将来（即当期以后的未来状态）是无关的。 时间和状态都是离散的马尔可夫过程称为马尔可夫链, 简记为。 马尔可夫链是随机变量的一个数列。这些变量的范围，即他们所有可能 取值的集合，被称为“状态空间”，而Xn的值则是在时间n的状态。如果Xn + 1对于过去状态的条件概率分布仅是Xn的一个函数，则 这里x为过程中的某个状态。上面这个恒等式可以被看作是马尔可夫性质。
马尔可夫在1906年首先做出了这类过程。而将此一般化到可数无限状态空间是由柯尔莫果洛夫在1936年给出的。 马尔可夫链与布朗运动以及遍历假说这两个二十世纪初期物理学重要课题是相联系的，但马尔可夫寻求的似乎不仅于数学动机，名义上是对于纵属事件大数法则的扩张。 马尔可夫链是满足下面两个假设的一种随机过程： 1、t+l时刻系统状态的概率分布只与t时刻的状态有关，与t时刻以前的状态无关； 2、从t时刻到t+l时刻的状态转移与t的值无关。一个马尔可夫链模型可表示为=(S，P，Q)，其中各元的含义如下： 1）S是系统所有可能的状态所组成的非空的状态集，有时也称之为系统的状态空间，它可以是有限的、可列的集合或任意非空集。本文中假定S是可数集(即有限或可列)。用小写字母i,j(或S i,S j)等来表示状态。 2）是系统的状态转移概率矩阵，其中P ij表示系统在时刻t处于状态i，在下一时刻t+l处于状态i的概率，N是系统所有可能的状态的个数。对于任意i∈s，有 。 3）是系统的初始概率分布，q i是系统在初始时刻处于状态i的概率， 满足。 [编辑] 马尔可夫链模型的性质 马尔可夫链是由一个条件分布来表示的 P(X n + 1 | X n) 这被称为是随机过程中的“转移概率”。这有时也被称作是“一步转移概率”。二、三，以及更多步的转移概率可以导自一步转移概率和马尔可夫性质：
2019年第19卷第1期 编辑李文波 安全数值模拟专栏 格子玻尔兹曼方法（LBM)及其在 微通道绕流中的应用 冯俊杰，孙冰，姜杰，徐伟，石宁 (中国石化青岛安全工程研究院化学品安全控制国家重点实验室，山东青岛266071 ) 摘要：卜绍了格子玻尔兹曼方法基本理论 与计算方法，并建立了D2Q9计算模型，对宏观尺 度及微通道中的非稳态绕流进行了数值模拟，得 到了绕流过程的速度分布和涡量分布等信息，对 流场结构、固体阻力、尾涡脱落等变化规律进行了 分析。结果表明，格子玻尔兹曼方法以其计算稳 定、效率高等优势能够应用于微反应器领域的数值 模拟；同等液相停留时间条件下，微反应器中的圆柱 绕流湍动程度明显降低，未形成周期性涡流，流动更 加均勾稳定，有助于实现化学反应的精确控制。 关键词：（LBM)微反应器通 0 前言 微反应器在提高反应过程安全性、缩短反应 间、提高转化率、灵活生 面具有独特的优势，实现微通道 的精确测定和控制是微反应器发挥诸多优势的保障和广泛应用的基础[1]。由于微通道内的 具有尺度小、多尺度、相界面与复杂的特点，传统的计 体力学（CFD)方作为宏观模 在着诸多 ，而格子玻尔兹曼方法（lattice Boltzmann method，LBM)突破 了计 的框架， 离散模 发，通群的碰撞和迁移代 的体模型，更接近 的微观本质，在微流控领域具有明 显的优势[—3]。 格子玻尔兹曼 的体离散 为在网格 的介观 ，通过计 的碰 撞和迁移规律得到 布函数，进而统计计算到宏观变量如压力、速度 布规律，创造性地了模 体 的模 离散模型 的转变[]。LBM平 计物理 学的Boltzmann方程，因而能成为联系微观 尺 度与宏观尺度之间的 [5_6]。的C FD方法 宏观的 ，而难以计：些 不符合 者难以用宏观方程描述的 系统，对于这些体系往往 借助微观的 '动 力学 体动理论来进行描述[]。对 力 学来说必须同时跟踪大量 的运动，实际求解 的计算量 大。在这 ， 论和概率统计力学的LBM就成为 有 法，其具有更高的计算效率，并且容易 行计 收稿日期=2018-07-16 作者简介：I俊杰，博士，工程师，2016年毕业于 北京化工大学化学工程与技术专业，现于中国 石化青岛安全工程研究院从事本质安全化技 术、反应器工程等方面工作。 SAFETY HEALTH & ENVIRONMENT U7
在数字计算机上对连续系统进行仿真时，首先遇到的问题是如何解决数字计算机在数值及时间上的离散性与被仿真系统数值及时间上的连续性这一基本问题。 从根本意义上讲，数字计算机所进行的数值计算仅仅是“数字”计算，它表示数值的精度受限于字长，这将引入舍入误差；另一方面，这种计算是按指令一步一步进行的，因而，还必须将时间离散化，这样就只能得到离散时间点上系统性能。用数字仿真的方法对微分方程的数值积分是通过某种数值计算方法来实现的。任何一种计算方法都只能是原积分的一种近似。因此，连续系统仿真，从本质上是对原连续系统从时间、数值两个方面对原系统进行离散化，并选择合适的数值计算方法来近似积分运算，由此得到的离散模型来近似原连续模型。如何保证离散模型的计算结果从原理上确能代表原系统的行为，这是连续系统数字仿真首先必须解决的问题。 设系统模型为：),,(t u y f y =&，其中u (t )为输入变量，y (t )为系统变量；令仿真时间间隔为h ，离散化后的输入变量为)(?k t u ，系统变量为)(?k t y ，其中k t 表示t=kh 。如果)()(?k k t u t u ≈，)()(?k k t y t y ≈，即0)()(?)(≈-=k k k u t u t u t e ，0)()(?)(≈-=k k k y t y t y t e （对所有k=0,1,2,…），则可认为两模型等价，这称为相似 原理（参见图）。 实际上，要完全保证0)(,0)(==k y k u t e t e 是很困难的。进一步分析离散化引的误差，随着计算机技术的发展，由计算机字长引入的舍入误差可以忽略，关键是数值积分算法，也称为仿真建模方法。相似原理用于仿真时，对仿真建模方法有三个基本要求： （1）稳定性：若原连续系统是稳定的，则离散化后得到的仿真模型也应是稳定的。关于稳定性的详细讨论将在节中进行。 （2）准确性：有不同的准确性评价准则，最基本的准则是： 绝对误差准则：δ≤-=)()(?)(k k k y t y t y t e 相对误差准则：δ≤-= )(?)()(?)(k k k k y t y t y t y t e 其中 规定精度的误差量。 原连续模型 仿真模型 )(≈k y t e 图 相
离散化方法 1引言 2离散化方法 模拟调节器的离散化方法有许多种，下面介绍几种常用的离散化方法。 2.1差分变换法 当模拟调节器采用微分方程来表示时，其导数可以用差分方程近似。假设通过模拟化的设计方法得到了一个控制器的传递函数，首先将传递函数转化成相应的微分方程，然后通过常用的差分近似方法对导数进行离散化，常用的差分近似有前向差分和后向差分两种。为了便于编程，通常采用后向差分法。 (1) 一阶后向差分 一阶导数采用的近似算式如下 ()(1)du u k u k dt T --≈(1) (2) 二阶后向差分 二阶导数采用的近似算式如下 22 ()()2(1)(2)d u t u k u k u k dt T --+-≈(2) 其中 T 为采样周期。 2.2 零阶保持器法 零阶保持器法又称为阶跃响应不变法，其基本思想是：离散近似后的数字控制器的阶跃响应序列必须与模拟调节器的阶跃响应的采样值相等。其中采用的零阶保持器的传递函数为 1()Ts e H s s --=(3) 其中，T 为采样周期。 假设一个模拟控制器的传递函数为D (s)，采用零阶保持器法对其进行离散化时，应将H(s)包含在内，即： ()[()()]D z Z H s D s = 2.3 双线性变换法(Tustin 变换法) 双线性变换法又称为Tustin 变换法，它是直接将s 域函数转化成z 域的一种近似方法。已知一个连续传递函数D (s)，则D (z)为 211 ()()z s T z D z D s -=+= 其中，T 为采样周期。 3 计算机辅助设计 已知一个连续控制器的传递函数为2 0.5()(1)s D s s +=+，分别采用零阶保持器法和双线性变换
用格子玻尔兹曼方法研究流动2反应耦合的 非线性渗流问题 3 许友生 1)2) 李华兵 3)4) 方海平3) 黄国翔 1) 1)(华东师范大学物理系,上海 200062)2) (浙江师范大学物理系,金华 321004) 3) (中国科学院上海应用物理研究所,上海 201800) 4) (桂林电子工业学院计算科学与应用物理系,桂林 541004)(2003年10月28日收到;2003年12月1日收到修改稿) 根据格子玻尔兹曼计算技术以及相应渗流理论,对多孔介质内流动2反应(矿物介质的溶解等)耦合这一非线性渗流问题进行了数值研究,计算结果与解析解基本符合.数字图像重构技术反映的结果表明流体流动和反应之间可以发生强烈的耦合和反耦合作用,同时可以形成条带结构这一自组织现象,与实验和其他理论分析结果符合也很好. 关键词:非线性渗流,耦合反应,数值模型 PACC : 4755M ,0340 3 国家自然科学基金(批准号:10372094和10274021)、浙江省自然科学基金(批准号:M103082)及浙江省教育厅科研基金(批准号:20020871)资助的课题. E -mail :XY S.001@https://www.doczj.com/doc/9f15486830.html, 11引言 流动2反应(矿物介质的溶解等)耦合渗流是伴有化学反应和复杂物理过程的动力学问题,其研究领域涉及多孔介质中流体的对流、扩散、弥散、吸附、浓缩、分离、互溶、传热、传质、相变、离子交换、中和、氧化等过程,应用范围主要包括地下资源开采、地球物理、生物渗流、工程渗流等领域.这类问题具有非平衡性、多尺度性、随机性等非线性特征,可以视为一个复杂的巨系统.研究这类问题通常采用以下两种方法. 1)理想化模型 用一个通过适当简化的模型替代实际的多孔介质,从而对体系中发生的流动2反应耦合现象可以很方便地用数学方法进行精确的理论分析[1] .值得注意的是,尽管这类模型比较简单,却仍然可以把影响流动2反应耦合现象的主要因子考虑在内. 2)微观统计模型 运用统计物理理论,构造出一个孔隙内流体质点可分辨的微观运动统计模型, 对质点的各类运动加以平均后得到流体的宏观描 述 [2] . 用上述两种模型得到的结果正确与否,需要靠 实验来检验,尽管利用数学分析可以将某些问题考虑得更细致一些,但把数据与介质之间的基本性质联系起来,仍然需要实验加以确定.这些传统的方法在计算流体速度、压力等物理量时,一般都在宏观Navier 2Stokes 方程基础上做有限差分离散后,得到代 数方程,从而得到数值结果.这种数值处理方法,由于其表面上的复杂性往往掩盖了渗流问题在微观上的简单性,比如空隙介质中多相流的相互驱替等现象只是大量流体粒子之间以牛顿方程的规则相互作用的动力学集中表现,而统计力学认为流体是由大量的微观粒子组成的,粒子的运动遵守经典力学定律的同时,还服从微观统计定律.近几年逐渐兴起的 格子玻尔兹曼方法(lattice Boltzmann method ,即 LBM )[3,4] 正是这样一种简单化的微观数值分析体 系,通过运用统计物理方法讨论多孔介质内流体的宏观性质.这种方法在流体速度空间中的传播算子(演化步骤)是线性的,配合碰撞算子(弛豫过程)和 第53卷第3期2004年3月100023290Π2004Π53(03)Π0773205 物 理 学 报 ACT A PHY SIC A SI NIC A V ol.53,N o.3,March ,2004 ν2004Chin.Phys.S oc.
马尔可夫链模型 在考察随机因素影响的动态系统时，常常碰到这样的情况，系统在每个时期所处的状态是随机的，从这个时期到下个时期的状态按照一定的概率进行转移，并且下个时期的状态只取决于这个时期的状态和转移概率，与以前各时期的状态无关。这种性质称为无后效性或马尔可夫性。通俗的说就是已知现在，将来与历史无关。 具有马氏性的，时间、状态无为离散的随机转移过程通常用马氏链(Markov Chain)模型描述。 马氏链模型在经济、社会、生态、遗传等许多领域中有着广泛的应用。值得提出的是，虽然它是解决随机转移过程的工具，但是一些确定性系统的状态转移问题也能用马氏链模型处理。 马氏链简介： 马氏链及其基本方程：按照系统的发展，时间离散化为 0,1,2,n = ，对每个n ，系统的状态用随机变量n X 表示，设n X 可以 取k 个离散值1,2,,n X k = ，且n X i =的概率记作() i a n ，称为状态概 率，从n X i =到1 n X j +=的概率记作ij p ，称为转移概率。如果1 n X +的 取值只取决于n X 的取值及转移概率，而与1 2,,n n X X -- 的取值无关， 那么这种离散状态按照离散时间的随机转移过程称为马氏链。 由状态转移的无后效性和全概率公式可以写出马氏链的基本方程为 1 (1)()1,2,,k i j ij j a n a n p i k =+= =∑
并且() i a n 和ij p 应满足 1 1 ()10,1,2,;0 ;1 1,2,,k k j ij ij j j a n n p p i k ====≥==∑∑ 引入状态概率向量和转移概率矩阵 12()((),(),,()) {}k ij k a n a n a n a n P p == 则基本方程可以表为1 (1)()(0)n a n a n P a P ++== 例1：某商店每月考察一次经营情况，其结果用经营状况好与孬表示。若本月经营状况好，则下月保持好的概率为0.5，若本月经营状况不好，则下月保持好的概率为0.4，试分析该商店若干时间后的经营状况。 解：商店的经营状况是随机的，每月转变一次。用随机变量n X 表示第n 个月的经营状况，称为经营系统的状态.1,2 n X =分别表示 好与不好，0,1,n = 。用() i a n 表示第n 月处于状态i 的概率（1,2i =） 即()()i n a n P X i ==，ij p 表示本月处于状态i ，下月转为状态j 的概率。 这里1 n X +无后效性，只取决于n X 和ij p 。 112112220.5,0.4,0.5,0.6p p p p ==∴== 根据全概率公式可以得到： 11112212112222 (1)()()0.50.5(1)()(1)()()0.4 0.6a n a n p a n p a n a n P P a n a n p a n p +=+??? ?+==? ?+=+?? ? 假设这个递推公式存在极限w ，有w w P = ，即()0w P E -=。于 是当经营状况好或孬时，经计算可以得到下面的结果
第7章离散事件系统建模与仿真 离散事件系统指的是一组实体为了达到某些目的，以某些规则相互作用、关联而集合在一起。与连续事件系统不同，离散事件系统所包含的事件在时间上和空间上都是离散的。离散事件系统在生产和生活中是很常见的，例如一个超市就是一个离散事件系统，它由顾客和收银员组成。在离散事件系统中，各事件以某种顺序或在某种条件下发生，并且大都是随机性的，所以，其模型很难用某种规范的形式，一般采用流程图或者网络图的形式来定义实体在系统中的活动。这类系统在建模时，只要考虑系统内部状态发生变化的时间点和发生这些变化的原因，而不用描述系统内部状态发生变化的过程。本章将介绍几种常见的离散事件系统和离散事件系统建模方法。 7.1 离散事件系统模型 离散事件系统是指系统的状态仅在离散的时间点上发生变化的系统，而且这些离散时间点一般是不确定的。这类系统中引起状态变化的原因是事件，通常状态变化与事件发生是一一对应的。事件的发生没有持续性，可以看作在一个时间点上瞬间完成，事件发生的时间点是离散的，因而这类系统称为离散事件系统。首先看一个典型的离散系统的例子。 例7.1 超市服务系统 某理发店只有一名理发师。在正常的工作时间内，如果理发店没有顾客，则理发师空闲；如果有顾客，则为顾客理发。如果顾客到达理发店时，理发师正在为其他顾客服务，则新来的顾客在一旁排队等候。显然，每个顾客到达理发店的时间是随机的，而理发师为每个顾客服务的时间也是随机的，进而队列中每个顾客的等候时间也是随机的。 下面，结合例7.1介绍一下在离散事件系统仿真中所用到的一些基本概念。 (1)实体 实体是指有可区别性且独立存在的某种事物。在系统中，构成系统的各种成分称为实体，用系统论的术语，它是系统边界内的对象。在离散事件系统中，实体可分为两大类：临时实体和永久实体。临时实体指的是只在系统中存在一段时间的实体，这类实体由系统外部到达系统，在系统仿真过程中的某一时刻出现，最终在仿真结束前从系统中消失。例7.1中，顾客是临时实体，他们按一定的规律到达，经过理发师服务（可能要排队等待一段时间），最终离开系统。那些虽然达到，但未进入理发店的顾客则不能称为该系统的临时实体。永久实
东南大学自动化学院 实验报告课程名称：计算机控制技术 第二次实验 实验名称：离散化方法的研究 院（系）：自动化专业：自动化 姓名：学号： 实验室：实验组别： 同组人员：实验时间：2012 年3月26日 评定成绩：审阅教师：
一、实验目的 1．学习并掌握数字控制器的设计方法（按模拟系统设计方法与按离散设计方法）； 2．熟悉将模拟控制器D(S)离散为数字控制器的原理与方法（按模拟系统设计方法）； 3．通过数模混合实验，对D(S)的多种离散化方法作比较研究，并对D(S)离散化前后闭环系统的性能进行比较，以加深对计算机控制系统的理解。 二、实验设备 1．THBDC-1型控制理论·计算机控制技术实验平台 2．PCI-1711数据采集卡一块 3．PC机1台(安装软件“VC++”及“THJK_Server”) 三、实验原理 由于计算机的发展，计算机及其相应的信号变换装置（A/D和D/A）取代了常规的模拟控制。在对原有的连续控制系统进行改造时，最方便的办法是将原来的模拟控制器离散化。在介绍设计方法之前，首先应该分析计算机控制系统的特点。图3-1为计算机控制系统的原理框图。 图3-1 计算机控制系统原理框图 由图3-1可见，从虚线I向左看，数字计算机的作用是一个数字控制器，其输入量和输出量都是离散的数字量，所以，这一系统具有离散系统的特性，分析的工具是z变换。由虚线II向右看，被控对象的输入和输出都是模拟量，所以该系统是连续变化的模拟系统，可以用拉氏变换进行分析。通过上面的分析可知，计算机控制系统实际上是一个混合系统，既可以在一定条件下近似地把它看成模拟系统，用连续变化的模拟系统的分析工具进行动态分析和设计，再将设计结果转变成数字计算机的控制算法。也可以把计算机控制系统经过适当变换，变成纯粹的离散系统，用z变化等工具进行分析设计，直接设计出控制算法。 按模拟系统设计方法进行设计的基本思想是，当采样系统的采样频率足够高时，采样系统的特性接近于连续变化的模拟系统，此时忽略采样开关和保持器，将整个系统看成是连续变化的模拟系统，用s域的方法设计校正装置D(s)，再用s域到z域的离散化方法求得离散传递函数D(z)。为了校验计算结果是否满足系统要求，求得D(z)后可把整个系统闭合而成离散的闭环系统。用z域分析法对系统的动态特性进行最终的检验，离散后的D(z)对D(s)的逼真度既取决于采样频率，也取决于所用的离散化方法。离散化方法虽然有许多，但各种离散化方法有一共同的特点：采样速率低，D(z)的精度和逼真度越低，系统的动态特性与预定的要求相差就越大。由于在离散化的过程中动态特性总要变坏，人们将先设计D(s)再进行离散化的方法称为“近似方法”。
实验二离散事件系统仿真实验 目录 实验题目 (1) 一、实验目标 (1) 二、实验原理 (1) 1. 排队系统的一般理论 (1) 2. 离散系统常用的仿真策略 (2) 3. 本实验采用单服务台模型 (3) 4. 仿真运行方式 (3) 三、理论分析 (4) 1. 涉及的基本概念 (4) 2. 仿真的总体规划设计 (5) 四、建模过程 (7) 1. 思路分析 (7) 2. 仿真策略 (7) 3. 事件列表 (8) 4. 变量定义 (8) 5. 系统流程框图 (9) 五、仿真源程序（Matlab） (10) 六、结果分析 (12) 七、感受及建议 (15)
实验题目 实体（临时实体）到达模式：实体到达模式是顾客到达模式，设到达时间间隔Ai 服从均值5min A β=的指数分布 /1 ()(0) A A A f A e A ββ?=≥服务模式：设服务员为每个顾客服务的时间为Si .它也服从指数分布，均值为4min S β=/1 ()(0) S S s f S e S ββ?=≥服务规则：由于是单服务台系统，考虑系统顾客按单队排列，并按FIFO 方式服务 一、实验目标 通过单服务台排队系统的方针，理解和掌握对离散事件的仿真建模方法，以便对其他系统进行建模，并对其系统分析，应用到实际系统，对实际系统进行理论指导。 二、实验原理 1. 排队系统的一般理论 一般的排队系统都有三个基本组成部分：
（1）到达模式：指动态实体（顾客）按怎样的规律到达，描写实体到达的统计特性。通常假定顾客总体是无限的。 （2）服务机构：指同一时刻有多少服务设备可以接纳动态实体，它们的服务需要多少时间。它也具有一定的分布特性。通常，假定系统的容量（包括正在服务的人数加上在等待线等待的人数）是无限的。 （3）排队规则：指对下一个实体服务的选择原则。通用的排队规则包括先进先出（FIFO），后进先出（LIFO），随机服务（SIRO）等。 2. 离散系统常用的仿真策略 （1）事件调度法（Event Scheduling）： 基本思想：离散事件系统中最基本的概念是事件，事件发生引起系统状态的变化，用事件的观点来分析真实系统。通过定义事件或每个事件发生系统状态的变化，按时间顺序确定并执行每个事件发生时有关逻辑关系。 （2）活动扫描法： 基本思想：系统有成分组成，而成分又包含活动。活动的发生必须满足某些条件，且每一个主动成分均有一个相应的活动例程。仿真过程中，活动的发生时间也作为条件之一，而且较之其他条件具有更高的优先权。 （3）进程交互法： 基本思想：将模型中的主动成分历经系统所发生的事件及活动，按时间发生的顺序进行组合，从而形成进程表。系统仿真钟的推进采
马尔科夫链模型及其在基因遗传分析中的应用研究 内容提要 文中简述了马尔科夫链模型的基本原理，介绍了利用马尔科夫链对农作物基因遗传过程进行的分析研究，从而得出了基因类型的分布情况和农作物种植最适宜的换种代数间隔，使得可以更好的种植农作物。 关键词 马尔可夫链模型 基因遗传 换种间隔 一、引言 对基因遗传的分析一直是人们较为关心的话题。在研究出某物种基因的遗传分布后，对人们今后的对该物种进行的各种改良提供了良好的依据，尤其是对农作物基因类型的研究。在研究出农作物的各代之间基因类型的关系和分布情况之后，我们可以据此改善农作物的种植方法，从而提高产量。本文依据马尔科夫链的两种重要类型对农作物的基因遗传进行了分析研究，同时，分析研究马尔科夫链在一对父母的大量后代中，雌雄随机的配对繁殖，一系列后代的基因类型的演变过程中的应用。 二、马尔科夫链 1.马尔可夫链的基本概念 定义 ①.设{(),0,1,2,}n X X w n ==???是定义在概率空间(,,)F P Ω上，取值在非负整数上的随机变量序列，其表示对每个n 系统的状态。当状态1,2,,(1,2,)n X k n =???=???时表示共有k 个状态；n 时刻由状态n X i =，下一个时刻n+1变到状态1n X j +=的概率记作ij p ，则1(|)i j n n p P X j X i +===表示在事件n X i =出现的条件下，事件1n X j +=出现的条件概率，又称它为系统状态X 的一步转移概率。如果对任意的非负整数121,,,,,n i i i i j -???及一切0n ≥有 1(|,,1,2,,1)n n k k P X j X i X i k n +====???-=1(|)()n n ij ij P X j X i p n p +====， 则称X 是马尔科夫链。 ②.矩阵（ij p ）称为马尔科夫链X 的一步转移概率矩阵。称10()(|)(|)ij n n m m p n P X j X i P X j X i ++======为马尔科夫链X 的n 步转移概率，而（()ij p n ）为X 的n 步转移矩阵。
3．5 马尔可夫链预测方法 一、基于绝对分布的马尔可夫链预测方法 对于一列相依的随机变量，用步长为一的马尔可夫链模型和初始分布推算出未来时段的绝对分布来做预测分析方法，称为“基于绝对分布的马尔可夫链预测方法”，不妨记其为“ADMCP 法”。其具体方法步骤如下: 1．计算指标值序列均值x ，均方差s ，建立指标值的分级标准，即确定马尔可夫链的状态空间I ，这可根据资料序列的长短及具体间题的要求进行。例如，可用样本均方差为标准，将指标值分级，确定马尔可夫链的状态空间 I =[1, 2，…，m ]； 2．按步骤1所建立的分级标准，确定资料序列中各时段指标值所对应的状态； 3．对步骤2所得的结果进行统计计算，可得马尔可夫链的一步转移概率矩阵1P ，它决定了指标值状态转移过程的概率法则； 4．进行“马氏性” 检验； 5．若以第1时段作为基期，该时段的指标值属于状态i ，则可认为初始分布为 (0)(0,,0,1,0,0)P = 这里P (0)是一个单位行向量，它的第i 个分量为1，其余分量全为0。于是第2时段的绝对分布为 1(1)(0)P P P =12((1),(1),,(1))m p p p = 则第2时段的预测状态j 满足：(1)max{(1),}j i p p i I =∈； 同样预测第k ＋1时段的状态，则有 1()(0)k P k P P =12((),(),,())m p k p k p k = 得到所预测的状态j 满足: ()max{(),}j i p k p k i I =∈ 6．进一步对该马尔可夫链的特征(遍历性、平稳分布等)进行分析。 二、叠加马尔可夫链预测方法 对于一列相依的随机变量，利用各种步长的马尔可夫链求得的绝对分布叠加来做预测分析，的方法，称为“叠加马尔可夫链预测方法”，不妨记其为“SPMCP 法’。其具体方法步骤如下: 1) 计算指标值序列均值x ，均方差s ，建立指标值的分级标准(相当于确定马尔可夫链的状态空间)，可根据资料序列的长短及具体问题的要求进行； 2) 按1)所建立的分级标准，确定资料序列中各时段指标值所对应的状态； 3) 对2)所得的结果进行统计，可得不同滞时(步长)的马尔可夫链的转移概率矩阵，它决定了指标值状态转移过程的概率法则； 4) 马氏性检验； 5) 分别以前面若干时段的指标值为初始状态，结合其相应的各步转移概率矩阵即可预测出该时段指标值的状态概率 (6)将同一状态的各预测概率求和作为指标值处于该状态的预测概率，即 ,所对应的i 即为该时段指标值的预测状态。待该时段的指标值确定之后，将其加 入到原序列之中，再重复步骤"(1)一(6)"，可进行下时段指标值状态的预测。 (7)可进一步对该马尔可夫链的特征(遍历性、平稳分布等)进行分析。