پیوندهای مفید
آمار
| تعداد نشریات | 8 |
| تعداد شمارهها | 435 |
| تعداد مقالات | 5,636 |
| تعداد مشاهده مقاله | 7,454,767 |
| تعداد دریافت فایل اصل مقاله | 6,223,959 |
حل معادله پخش گرمای همسانگرد به روش مونتکارلوی حجم محدود | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 10، دوره 53، شماره 1 (Special Issue)، فروردین 1400، صفحه 467-482 اصل مقاله (2.75 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2019.16275.6318 | ||
| نویسندگان | ||
| هومن نعیمی* 1؛ فرشاد کوثری2 | ||
| 1گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه بجنورد، بجنورد، ایران | ||
| 2دانشکده مهندسی مکانیک، پردیس دانشکده‎های فنی، دانشگاه تهران، تهران، ایران | ||
| چکیده | ||
| حل معادله پخش گرما در بسیاری از کاربردهای واقعی انتقال گرمای رسانشی مشتمل بر هندسه، خواص ترموفیزیکی و شرایط مرزی پیچیده به سادگی امکانپذیر نبوده و روشهای عددی موجود، هر یک با محدودیتهایی مواجه هستند. در این پژوهش روش مونتکارلوی حجم محدود برای حل معادله پخش گرمای همسانگرد با توجه به دو قابلیت ذاتی روش حجم محدود یکی ارضای بقای انرژی در هر سلول شبکه و دیگری عدم نیاز به تغییر مختصات در هندسههای پیچیده معرفی شده است. روش مونتکارلوی حجم محدود به عنوان یک ابزار محاسباتی آماری مبتنی بر شبیهسازی فیزیکی با قابلیت حل پخش گرما با هر میزانی از پیچیدگی، در سه مساله با سطوح دشواری متفاوت مورد استفاده قرار گرفته است. در ابتدا از یک مساله ساده برای اعتبارسنجی روش مونتکارلوی حجم محدود از طریق مقایسه نتایج با حل تحلیلی استفاده گردید. سپس عملکرد پیشبینی روش پیشنهادی در مسالهای با هندسه پیچیده، خواص متغیر و شرایط مرزی گوناگون مورد ارزیابی قرار گرفت. در پایان نیز به بررسی عملکرد روش مونتکارلوی حجم محدود در تخمین توزیع دما در یک جسم سهلایه با ضرایب رسانش متفاوت و شرط مرزی جابجایی پرداخته شد. در تمامی موارد نتایج محاسبه شده توسط روش مونتکارلوی حجم محدود انطباق بسیار خوبی با نتایج حل تحلیلی و روش دینامیک سیالات محاسباتی بروز دادند و نشان داده شد که به ازای تعداد نسبتاً کمی از ذرات و با هزینه محاسباتی پایین میتوان به دقت قابل قبولی در روش مونتکارلوی حجم محدود دست یافت. | ||
| کلیدواژهها | ||
| مونتکارلو؛ حجم محدود؛ معادله پخش گرما؛ رسانش؛ مواد همسانگرد | ||
| عنوان مقاله [English] | ||
| Solution of the Isotropic Heat Equation Using the Finite Volume Monte Carlo Method | ||
| نویسندگان [English] | ||
| Hooman Naeimi1؛ Farshad Kowsari2 | ||
| 1Department of Mechanical Engineering, Faculty of Engineering, University of Bojnord, Bojnord, North Khorasan, Iran | ||
| 2School of Mechanical Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| The solution of the heat diffusion equation in most practical applications involving complex geometry, thermophysical properties, and boundary conditions is not simply possible and there are some limitations for available numerical solutions. In this research, the finite volume Monte Carlo method was used for the solution of the isotropic heat equation due to two intrinsic capabilities of the finite volume method; first, each cell is energy conserved and second, the grid transformation is not necessary for complex geometries. The Monte Carlo method is a statistical approach based on the physical simulation of the problem capable to solve heat equation with any degree of complexity. First, a simple problem was investigated for validation of the method by comparing results with the analytical solution. Second, the prediction performance of the finite volume Monte Carlo method was evaluated in a problem with complex geometry, varying properties, and boundary conditions. Finally, the performance of the finite volume Monte Carlo method was investigated in estimating the temperature distribution of a three-layer body with different thermal conductivities and convection boundary condition. In all of the considered test cases, the predicted results were in good agreement with analytical and computational fluid dynamics solutions. It was also indicated that for a relatively small number of particles, it is possible to achieve acceptable accuracy with a low computational cost. | ||
| کلیدواژهها [English] | ||
| Monte Carlo, Finite volume, Diffusion heat equation, Conduction, Isotropic material | ||
| مراجع | ||
|
[1] M. Norouzi, H. Rahmani, A.K. Birjandi, A.A. Joneidi, A general exact analytical solution for anisotropic non-axisymmetric heat conduction in composite cylindrical shells, International Journal of Heat and Mass Transfer, 93 (2016) 41–56. [2] A. Gallegos-Muñoz, C. Violante-Cruz, B.J.A. Balderas, V.H. Rangel-Hernandez, J.M. Belman-Flores, Analysis of the conjugate heat transfer in a multi-layer wall including an air layer, Applied Thermal Engineering, 30 (2010) 599–604. [3] N. Noda, Thermal stresses in functionally Graded materials, Journal of Thermal Stresses, 22(4-5) (1999) 477-512. [4] S.V. Patankar, Numerical heat transfer and fluid flow, Hemisphere Publishing Corporation, 1980. [5] H.S. Carslaw, J.C. Jaeger, Conduction of Heat in Solids, Oxford Science Publications, 1986. [6] F. Wu, W.X. Zhong, A modified stochastic perturbation method for stochastic hyperbolic heat conduction problems, Computer Methods in Applied Mechanics and Engineering, 305 (2016) 739-758. [7] F.S. Loureiro, W.J. Mansur, V. C.A.B., A hybrid time/Laplace integration method based on numerical Green’s functions in conduction heat transfer, Computer Methods in Applied Mechanics and Engineering, 198 (2009) 2662–2672. [8] A. Haji-Sheikh, E.M. Sparrow, The Solution of Heat Conduction Problems by Probability Methods, Journal of Heat Transfer, Transaction of ASME, (1967) 121-130. [9] F. Kowsary, M. Arabi, Monte Carlo solution of anisotropic heat conduction, International Communications in Heat and Mass Transfer, 26(8) (1999) 1163-1173. [10] M. Grigoriu, A Monte Carlo solution of heat conduction and Poisson equations, Journal of Heat Transfer, Transaction of ASME, 122 (2000) 40-45. [11] B.T. Wong, M. Francoeur, M. Pinar Mengüç, A Monte Carlo simulation for phonon transport within silicon structures at nanoscales with heat generation, International Journal of Heat and Mass Transfer, 54 (2011) 1825–1838. [12] K. Chatterjee, A new Green’s function Monte Carlo algorithm for the estimation of the derivative of the solution of Helmholtz equation subject to Neumann and mixed boundary conditions, Journal of Computational Physics, 315 (2016) 264-272. [13] Y.F. Zhang, O. Gicquel, J. Taine, Optimized Emission-based Reciprocity Monte Carlo Method to speed up computation in complex systems, International Journal of Heat and Mass Transfer, 55 (2012) 8172–8177. [14] K.P. Keadya, M.A. Clevelanda, An Improved Random Walk Algorithm for the Implicit Monte Carlo Method, Journal of Computational Physics, 328(C) (2017) 160-176 [15] W.J. Yao, R.N. Yang, N. Wang, Monte Carlo simulation of thermophysical properties of binary Co–Gd liquid alloys, Journal of Alloys and Compounds, 627 (2015) 410–414. [16] A. Karchani, R.S. Myong, Convergence analysis of the direct simulation Monte Carlo based on the physical laws of conservation, Computers and Fluids, 115 (2015) 98-114. [17] A. Haji-Sheikh, F.P. Buckingham, Multidimensional inverse heat conduction using the Monte Carlo method, Journal of Heat Transfer, Transaction of ASME, 115 (1993) 26-33. [18] K.A. Woodbury, J.V. Beck, Estimation metrics and optimal regularization in a Tikhonov digital filter for the inverse heat conduction problem, International Journal of Heat and Mass Transfer, 62 (2013) 31–39. [19] M. Ohmichi, N. Noda, N. Sumi, Plane heat conduction problems in functionally graded orthotropic materials, Journal of Thermal Stresses, 40(6) (2017) 747-764. [20] D.W. Hahn, M. Necati Ӧzişik, Heat conduction, 3rd ed ed., John Wiley and Sons, Hoboken, New Jersey, 2012. [21] H. Naeimi, F. Kowsary, Finite Volume Monte Carlo (FVMC) method for the analysis of conduction heat transfer, Journal of the Brazilian Society of Mechanical Sciences and Engineering, 41 (2019) 260. | ||
|
آمار تعداد مشاهده مقاله: 1,020 تعداد دریافت فایل اصل مقاله: 892 |
||