Drag coefficient prediction for non-spherical particles in dense gas–solid two-phase flow using artificial neural network
英专12级翻译版：采用人工神经网络 (ANN) 预测分析了稠密气固两相流中非球形颗粒的阻力系数、雷诺数和球形度之间的关系。首先，根据实验结果 (Pettyjohn, 1948; Yow et al., 2005)，采用反向传播神经网络 (BPNN) 和径向基函数神经网络 (RBFNN) 预测阻力系数。模拟和实验结果的比较表明，RBFNN 可以有效地预测阻力系数，其精度与BPNN一样高。此外，我们采用径向基函数神经网络对不同球形度下的阻力系数进行了预测和分析。结果表明，人工神经网络适用于预测和研究气固非球形颗粒系统中的阻力系数。基于阻力系数的预测结果，我们对阻力系数、雷诺数和颗粒球形度进行了曲线拟合，获得了阻力系数的相关性。结合Syamlal-O'Brien和Gidaspow-blend模型的阻力系数关联式，采用欧拉-欧拉模型对固定床至鼓泡流化床的气固两相流动进行了模拟。模拟压降与实验结果进行了比较，结果吻合较好，表明人工神经网络方法可以合理预测气固系统中非球形颗粒的阻力。本研究为预测气固两相系统中复杂形状颗粒的阻力系数提供了参考。
岳子口嚼版：多相流耦合的时候，里面有一项，叫曳力项。主要控制相之间的耦合。这里面有个系数叫Cd。
Cd与Re的一对一的关系，这玩意最早都是实验拟合出来的。
在哈工大爆出这篇顶刊里面。几位大佬通过神经网络建立Cd与Re的一对一关系。
然后把这个模型用在了双流体模型。啪！结果对得上！
感兴趣的老铁可以玩一玩。我10月份的时候打算在我的CFD编程课里面，下一次直接不讲了，你们自己搞一下，搞不出来再找我。
左下角阅读原文，岳子把霍普金斯大学的湍流DNS数据搞成OpenFOAM的数据了。免费下载！
