SPH算法的理论和实践(1)
前段时间做了一个有关于SPH算法的项目,现在正好抽空把它写出来。SPH(Smoothed Particle Hydrodynamics)是光滑粒子流体动力学方法的意思,说白了就是用粒子模拟流体的流动效果。由于项目当中涉及到利用SPH算法实现多流体混溶模拟,所以下面我会写针对单流体模拟和多流体混溶模拟分别进行介绍,在介绍之前还是先看看做出来的最终效果吧。
效果预览
单流体模拟的效果:
多流体混溶模拟的效果:
针对上述多流体混溶模型,利用marching cube算法进行液面绘制之后的效果:
1单流体理论部分
SPH (Smoothed Particle Hydrodynamics)是光滑粒子流体动力学方法的缩写,是在近20多年来逐步发展起来的一种无网格方法。该方法的基本思想是将连续的流体用相互作用的粒子来描述,各个粒子上承载各种物理量,包括质量、速度等,通过求解粒子的动力学方程和跟踪每个粒子的运动轨道,求得整个系统的力学行为。
1.1粒子受力分析
SPH方法具体的数学公式可以看这篇文章,里面介绍的很详细,我当时也是看这篇文章入门的。不过在这里我还是简单介绍一下里面的几个基本公式:
SPH算法的基本思想,就是将连续的流体想象成一个个相互作用的粒子,这些粒子相互影响,共同形成了复杂的流体运动。
所以,该算法最关键的就是如何求解粒子的运动?我们通过对粒子进行受力分析,利用牛顿第二定理,只要知道了粒子的受力,粒子的加速度自然就知道了,这样就可以跟踪粒子的运动,进而模拟出整个流体的动态效果。 那如何求解粒子的力F 呢?
根据流体动力学,作用在粒子上的力由三部分组成:
其中,表示外力,一般就是重力
注意:这里的力F的量纲发生了变化,正常情况下,F=m*g。但在SPH算法里,流体的质量是由流体单元的密度决定的,所以一般用密度代替质量,后面的分析都是用这个量纲的“作用力”
表示压力,是由流体内部的压力差产生的作用力,试想一下在水管中流动的液体,进水口区域的压力一定会比出水口区域大,所以液体才会源源不断的流动,数值上,它等于压力场的梯度,方向由压力高的区域指向压力低的区域
表示粘滞力,是由粒子之间的速度差引起的,设想在流动的液体内部,快速流动的部分会施加类似于剪切力的作用力到速度慢的部分,这个力的大小跟流体的粘度系数μ以及速度差有关
所以,最后得到粒子的受力公式
加速度形式:
至此,我们基本搞清楚了粒子的运动学计算方法。下面介绍SPH算法的关键部分,如何通过光滑核函数求解上述公式
1.2光滑核函数
和其他流体力学中的数学方法类似,SPH算法同样涉及到“光滑核”的概念,可以这样理解这个概念,粒子的属性都会“扩散”到周围,并且随着距离的增加影响逐渐变小,这种随着距离而衰减的函数被称为“光滑核”函数,最大影响半径为“光滑核半径”。
反过来不难理解,尽管我们将流体视为一个个分散的粒子,但流体毕竟是连续充满整个空间的,流体中每个位置参与运算的值都是由周围一组粒子累加起来的。
设想流体中某点 r⃗ r → \vec r(此处不一定有粒子),在光滑核半径h范围内有数个粒子,位置分别是 r⃗ 0,r⃗ 1,r⃗ 2,...,r⃗ j r → 0 , r → 1 , r → 2 , . . . , r → j \vec r_0,\vec r_1,\vec r_2,...,\vec r_j,则该处某项属性A的累加公式为:
其中 A⃗ j A → j \vec A_j是要累加的某种属性, mj m j m_j和 ρj ρ j \rho_j是周围粒子的质量和密度, r⃗ r → \vec r 是该粒子的位置, h h h是光滑核半径。函数W" role="presentation" style="position: relative;">WWW就是光滑核函数。
光滑核函数两个重要属性,首先一定是偶函数,也就是 W(−r)=W(r) W ( − r ) = W ( r ) W(−r)=W(r),第二,是“规整函数”,也就是 ∫W(r)dr=1 ∫ W ( r ) d r = 1 ∫W(r)dr=1
SPH推导过程
假设流体中的一个粒子 r⃗ i r → i \vec r_i,假设它的压力为 ρ(ri) ρ ( r i ) \rho(r_i),密度为 p(ri) p ( r i ) p(r_i),速度为 u⃗ (ri) u → ( r i ) \vec u(r_i),name我们可以根据上一节公式,得到该粒子的加速度 a⃗ (ri) a → ( r i ) \vec a(r_i):
\vec a(r_i)=\vec g - \frac{∇p(r_i)}{ρ(r_i)}+\frac{μ∇^2u(r_i)}{ρ(r_i)}
对于SPH算法来说,基本流程就是这样,根据光滑核函数逐个推出流体中某点的密度,压力,速度相关的累加函数,进而推导出此处的加速度,从而模拟流体的运动趋势。
下面我们直接利用光滑核函数求解某点的密度,压力,速度的公式,具体的数学推导可以看这里。
密度
根据光滑核函数,用密度 ρ ρ \rho代替 A A A,可以得到
\rho(r_i)=\sum_j\frac{ρ_j}{m_j}ρ_jW(\vec r_i−\vec r_j,h)=\sum_jm_jW(\vec r_i−\vec r_j,h)
利用Poly6函数得到
\rho(r_i)=m\frac{315}{64\pi h^9}\sum_j (h^2 - |\vec r_i - \vec r_j|)^3
压强
对于单个粒子的压力 p p p可以利用理想气体状态方程计算
p = K(\rho - \rho_o)
其中 ρ0 ρ 0 \rho_0是流体的静态密度, K K K是和流体相关的常数,只跟温度有关。
压力
根据光滑核函数,用压力p" role="presentation" style="position: relative;">ppp代替 A A A,可以得到
F_i^{pressure}=-∇p(\vec r_i)=-\sum_j p_j \frac {m_j}{\rho_j} ∇W(\vec r_i - \vec r_j,h)
利用Spiky函数,得到
a_i^{pressure} = -\frac{∇p(\vec r_i)}{\rho_0}=m\frac{45}{\pi h^6}\sum_j (\frac{p_i+p_j}{2\rho_I\rho_j}(h-r)^2\frac{\vec r_i - \vec r_j}{r})
其中 r=|r⃗ i−r⃗ j| r = | r → i − r → j | r = |\vec r_i - \vec r_j|
粘滞力
根据光滑核函数,可以得到
F_i^{viscosity}=\mu∇^2\vec u(r_i)=\mu \sum_j \vec u_j \frac {m_j}{\rho_j} ∇W(\vec r_i - \vec r_j,h)
根据viscosity函数,得到
a_i^{viscosity} = \frac{F_i^{viscosity}}{\rho_0}=\frac{\mu∇^2\vec u(r_i)}{\rho_0}=m\mu\frac{45}{\pi h^6}\sum_j (\frac{\vec u_j - \vec u_i}{\rho_I\rho_j}(h-r))
其中 r=|r⃗ i−r⃗ j| r = | r → i − r → j | r = |\vec r_i - \vec r_j|
粒子的运动方程
将上述压力和粘滞力带入中,得到
\vec a(r_i)=\vec g + m\frac{45}{\pi h^6}\sum_j (\frac{p_i+p_j}{2\rho_I\rho_j}(h-r)^2\frac{\vec r_i - \vec r_j}{r}) + m\mu\frac{45}{\pi h^6}\sum_j (\frac{\vec u_j - \vec u_i}{\rho_I\rho_j}(h-r))
其中 r=|r⃗ i−r⃗ j| r = | r → i − r → j | r = |\vec r_i - \vec r_j|
OK,我们终于推导除了粒子加速度 a⃗ (ri) a → ( r i ) \vec a(r_i)的计算公式。那如何让这些公式在代码里跑起来呢?不用担心,这就是下一章我们要解决的问题了。
SPH算法的理论和实践(1)相关推荐
- SPH算法的理论和实践(2)
2单流体SPH算法实现 经过前一章的介绍,知道了SPH算法的原理,这一章我们介绍SPH算法的代码具体实现 2.1算法框架 SPH算法的思想是用粒子来模拟流体,其中粒子承载了各种属性(如 位置.速度.加 ...
- 分布式机器学习:算法、理论与实践 2)
第6章: local receptive convolution 本来就是局部耦合的,咋个横向/纵向并行? 第7章: 第8章: 第9章: 第10章: 第11 章:
- Java 理论与实践: 非阻塞算法简介——看吧,没有锁定!(转载)
简介: Java™ 5.0 第一次让使用 Java 语言开发非阻塞算法成为可能,java.util.concurrent 包充分地利用了这个功能.非阻塞算法属于并发算法,它们可以安全地派生它们的线程, ...
- 万字长文详解文本抽取:从算法理论到实践
导读:"达观杯"文本智能信息抽取挑战赛已吸引来自中.美.英.法.德等26个国家和地区的2400余名选手参赛,目前仍在火热进行中(点击阅读原文进入比赛页面,QQ群见上图或文末二维码) ...
- 相机激光标定算法:从理论到实践
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 本文是标定系列解读第三篇,介绍了Camera-Lidar标定,通过对一些基础知识和小细节进行讨论和理论 ...
- 万字长文详解文本抽取:从算法理论到实践(附“达观杯”官方baseline实现解析及答疑)...
[ 导读 ]"达观杯"文本智能信息抽取挑战赛已吸引来自中.美.英.法.德等26个国家和地区的2400余名选手参赛,目前仍在火热进行中(点击"阅读原文"进入比赛页 ...
- 如何打造顶级目标检测算法?百度官方揭秘 ECCV2020 双料冠军的理论与实践
计算机视觉最火方向是什么? 当然是目标检测啦! 目标检测,是计算机视觉领域的核心问题之一,近两年全球顶会的相关论文达上百篇,受到越来越多的人关注.无论是做人脸识别.自动驾驶.文字检测.人机交互,都离不 ...
- 重磅直播|立体视觉之立体匹配理论与实践
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 大家好,本公众号现已开启线上视频公开课,主讲人通过B站直播间,对3D视觉领域相关知识点进行讲解,并在微 ...
- 干货 | 清华大学郑方:语音技术用于身份认证的理论与实践
本讲座选自清华大学语音和语言技术中心主任郑方教授近期于清华大数据"技术·前沿"系列讲座上所做的题为<语音技术用于身份认证的理论与实践>的演讲. 以下为演讲的主要内容: ...
最新文章
- 2022-2028年中国丙烯酸酯橡胶行业市场深度分析及投资前景分析报告
- mysql %3c%3e sql优化_SQL注入技术和跨站脚本攻击的检测(2)
- Android获取屏幕尺寸大小
- VTK:Utilities之Scalars
- python语言在大数据分析处理领域应用广泛_在大数据分析/挖掘领域,哪些编程语言应用最多...
- android 判断字符相等,字符串的截取,判断字符串是否相等和字符串是否为空的方法总结Java,Android...
- 苹果sf字体_原来苹果偷偷爱了这些字体
- FocusLab新生大礼包三:Latex安装教程
- 树莓派 armv几_如何在具有armv6处理器的树莓派板上安装和使用Java 11和JavaFX 11
- Dell安装Ubuntu教程
- android 7.0低电耗Doze模式
- 阿里云服务器防止ddos被攻击
- 【数据压缩】压缩率-图像熵-保真度
- 一文带你搞懂C#多线程的5种写法
- WordPress树叶飘落特效插件1.2
- 7-5 修理牧场 (25 分)
- odoo 邮件自动发送相关知识
- 美国宾州计算机学校,美国留学,看看宾州有哪些顶尖学校?
- 【Python】python数据库编程
- 3D角色模型欣赏:战斗类CG模型武士和风设计欣赏