山地下击暴流风场特性的数值模拟和试验研究

来源 :武汉理工大学 | 被引量 : 0次 | 上传用户:fanrongcheng
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
下击暴流定义为雷暴天气中强下沉气流猛烈冲击地面后形成的极具突发性和破坏性的近地面短时强风。论文通过物理试验和数值模拟两种方法研究了余弦形山体和阶梯型山地等特征地形下击暴流风场特性尤其是不同位置处风剖面特征和山顶处加速比曲线的变化特征。此外,以余弦形山体工况为例进行了特征地形下击暴流风场的瞬态模拟,研究了下击暴流在翻越山体时的风场变化情况。
  (1)对余弦山体下击暴流风场进行了物理试验和数值模拟。结果表明,出流风速只会影响风速值,但对风场分布特征没有影响。出流高度的增加和山体距离出流中心距离的增加均会使最大水平风速值逐渐减小,风剖面与纵坐标轴开始展现平行特性的高度逐渐增加。山体坡度会对除山前1H位置以外其他位置处的风剖面产生影响,在迎风面山脚处,山体对气流产生的主要是阻挡作用,坡度越高,阻挡作用越大,风速值越小。从迎风面半山腰到山后的其他5个位置的最大风速值随着山体坡度的增加而逐渐增加,风剖面曲线与纵坐标轴开始展现平行特性的高度也越来越低。
  (2)对阶梯型山地下击暴流风场进行物理试验和数值模拟。结果表明,出流风速对阶梯型上坡山地风场剖面的影响与余弦形山地风场剖面的影响趋势一致。出流高度会影响到风剖面的最大水平风速值,在山前1H位置处,水平风速的最大值随着出流高度的增加而减小,但是在其他位置处,出流高度对最大水平风速值的影响较小。随着山体距出流中心径向距离的增加,水平风速的最大值逐渐减小。在山顶之前的位置,近地面最大风速值随着坡度的增加而减小,在山顶以及山顶之后的位置,近地面最大风速值随着坡度的增加而增加。
  (3)通过将山顶位置与对应平地处风速值进行加速比计算。通过对比加速比曲线随不同变量的变化情况可以看到:出流风速和出流高度对山顶处加速比影响甚微;随着径向距离的增加,山顶近地面最大加速比逐渐增;山顶最大加速比随着坡度的增加而增加,此外,阶梯型山地山顶处的最大加速比大于余弦形山体山顶最大加速比。
  (4)通过对余弦山体下击暴流风场的非稳态模拟结果可以看到,在前端气流翻越迎风面的近地面位置处会形成一片高速区域。气流翻越山顶后,前端气流会与后端气流发生短暂的分离。前端气流与后端气流汇合之后,在背风面近地面区域产生一片低风速区域,同时山顶表面负压力区域的面积逐渐缩小。气流继续向后扩散的过程中,近地面的低风速区域逐渐消失,山顶表面的压力在前端气流经过时发生变化。
其他文献
在目前的机器算法研究与应用中,需要海量的人工标数据去训练模型。在计算机视觉任务中大量的标注任务不仅仅给研究者带来负担,而且标注的精度也并不总令人满意。这就使得要获得大量人工标注的数据变得非常困难,也让仅需少量标注样本的主动学习算法有了极大的发展空间。主动学习的关键就在于选择的策略,而目前的大部分策略都只适用于分类问题,目前还没有很多适用于基于深度学习的目标跟踪和检测领域的主动学习算法出现。所以本文
学位
当前,基于卷积神经网络的深度学习技术在计算机视觉等多个领域取得极大成功,也是最具代表性、最有效的方法。但是深度学习技术严重依赖于标签准确且类别间数据平衡的大规模数据集。然而,大规模的标签准确的数据是极难获取的,同时真实世界的数据集大多存在类别间样本不平衡的问题。针对计算机视觉领域中的图像分类和人脸识别任务,如何有效利用标签噪声的数据或类别间不平衡的数据训练出理想的深度学习模型是一个亟待解决的难题。
迁移学习是机器学习中一个非常重要的任务,已经引起了诸多学者的关注。在实际应用领域中,例如图像识别、文本分类、自动驾驶等场景下,获得大量标记数据进行训练通常是一件非常困难并且代价十分昂贵的事情。可以获得的往往是少量标记数据或大量其他相关领域的标注数据。  随着自动驾驶技术的不断发展,驾驶模式识别问题成为越来越重要的问题。它与自动驾驶汽车的感知、决策和控制等各个方面紧密相关。本文利用迁移学习来解决自动
随着天文观测设备的建造和大型巡天项目的进行,天文图像数据数量飞速增长,随之而来的是对于海量天文图像数据存储与检索的迫切需求。大数据、云计算、虚拟化等新兴技术的普及使得基于云环境的服务得到广泛关注,庞大的天文数据也开始迁移到云环境中,然而“按需收费”的费用模式使得天文工作者需要支付高昂的费用。用户往往需要包含目标区域或天体的局部图像进行研究,原始全图的存储与传输会导致较高的费用和较长的传输时间与带宽
随着大数据应用的迅速发展,数据中心的I/O延迟以及吞吐量成为了关注的焦点。Lenovo/IBM的研究报告表明,即使装备基于PCIe接口的固态硬盘,当运行一个典型的数据库系统时,多于60%的时间是在等待外存的I/O数据请求。而现有的文件系统设计主要基于传统机械硬盘的顺序访问机制,其数据分配主要采用顺序分配的方案。顺序分配策略并没有充分考虑SSD的多通道特性,从而出现大量数据在同一时间访问一个数据通道
目前大多数软件漏洞在披露时仅包含简要的描述信息,据此,安全分析人员无法准确分析软件产品漏洞的危害性和严重程度。对漏洞特征的刻画有助于漏洞危害程度的分析,所以有必要对漏洞特征进行预测。  现有的漏洞特征预测技术仅适用于单个漏洞特征的预测,对于具有内在联系的多个漏洞特征无法完成预测,本文给出了一种基于多任务学习的漏洞特征联合预测方法。首先,提出了基于多任务学习的联合模型。该联合模型将每个漏洞特征作为一
尽管深度神经网络具有记住数据集的能力,但是深度神经网络经常能实现好的泛化性能。一方面,神经网络学习算法学习到的具有泛化能力的解和不具有泛化能力的解之间的区别仍然是一个谜。另一方面,神经网络隐层单元之间的相关性逐渐被研究者所强调和重视,但是隐层单元之间的相关性对于最终泛化性能的影响还没有被完全探索和评估。在本文中,我们把研究神经网络的泛化性能的需求和隐层单元之间的相关性的需求结合起来,提出了一个监测
学位
知识图谱的发展日新月异,被广泛应用于自然语言处理的各个领域,如知识库补全、问答系统等。知识图谱表示学习在许多人工智能应用中扮演着重要的角色,与词向量嵌入的方法类似,图嵌入方法是一种与任务无关的、无监督知识表示方法。对于知识图谱的嵌入向量而言,在语义上的相似度越高,在向量空间中的距离越小。同时,向量化的表示方法通过利用丰富的数学表达式极大提升了知识图谱的可计算性。但目前大多数研究工作较为分散,底层实
学位
作为给水处理常用基质,麦饭石应用于污水处理,特别是含重金属废水时,面临自身吸附容量低、易吸附饱和等问题。层状双金属氢氧化物(Layered Double Hydroxides,LDHs)比表面积大、吸附性能好,但若将晶体粉末状的LDHs直接应用于人工湿地等生态修复工程,会导致后期固液难以分离、易于堵塞等问题。因此,为拓展麦饭石基质和LDHs的应用范围,提高其对水体中Cr(Ⅵ)的净化效果,本实验利用
学位
节理对岩体强度特性与变形特性均有重要影响。地应力作用下深部岩体节理表现为闭合隐性特征,在地震、爆炸等荷载作用下会产生张开与滑移,对岩体的稳定性极为不利。考虑天然节理粗糙性,本文结合数值模拟与理论分析方法,研究了应力波在不同地应力下粗糙节理处的传播规律,具体研究工作如下:  (1)通过与理论对比,验证了采用离散元软件UDEC模拟剪切波在充填节理处传播的可行性,采用中线截距平均值Sm和起伏均方根Rq生
学位