Вычислительная технология построения каскадных моделей магнитогидродинамической турбулентности

Обложка

Цитировать

Полный текст

Аннотация

В работе рассматривается вычислительная технология построения одного вида моделей мелкомасштабной магнитогидродинамической турбулентности – каскадных моделей (shell models). Любая такая модель является системой обыкновенных квадратично-нелинейных дифференциальных уравнений с постоянными коэффициентами. Каждая фазовая переменная интерпретируется по абсолютной величине как мера интенсивности одного из полей турбулентной системы в определенном диапазоне пространственных масштабов (масштабной оболочке). Уравнения любой каскадной модели должны обладать несколькими квадратичными инвариантами, которые являются аналогами законов сохранения в идеальной магнитогидродинамике. Вывод уравнений модели заключается в получении таких выражений для постоянных коэффициентов, при которых наперед заданные квадратичные выражения действительно будут инвариантами. Вывод этих выражений вручную является достаточно громоздким и вероятность ошибок в формульных преобразованиях велика. Особенно это касается нелокальных моделей, в которых могут взаимодействовать далекие по величине масштабные оболочки. Новизна и оригинальность работы состоит в том, что авторами предложена вычислительная технология, которая позволяет автоматизировать процесс вывода уравнений каскадных моделей. Технология реализована с использованием методов компьютерной алгебры, что позволило получать параметрические классы моделей, в которых инвариантность заданных квадратичных форм выполняется абсолютно точно – в формульном виде. Определение значений параметров в полученном параметрическом классе моделей далее выполняется за счет согласования мер взаимодействия оболочек в модели с вероятностями их взаимодействия в реальной физической системе. Идея описанной технологии и ее реализация принадлежит авторам. Отдельные ее элементы публиковались авторами ранее, однако в настоящей работе впервые дается ее систематическое описание для моделей с комплексными фазовыми переменными и согласованием мер взаимодействия оболочек с вероятностями. Аналогичных работ других авторов ранее не было. Технология позволяет быстро и безошибочно генерировать уравнения новых нелокальных каскадных моделей турбулентности и может быть полезна специалистам, занимающимся моделированием турбулентных систем.

Об авторах

Г. М Водинчар

Институт космофизических исследований и распространения радиоволн ДВО РАН

Email: gvodinchar@ikir.ru
улица Мирная 7

Л. К Фещенко

Институт космофизических исследований и распространения радиоволн ДВО РАН

Email: feshenko.lk@yandex.ru
улица Мирная 7

Список литературы

  1. Фрик П.Г. Турбулентность: подходы и модели. Москва-Ижевск: НИЦ «Регулярная и хаотическая динамика», 2010. 332 c.
  2. Ditlevsen P.D. Turbulence and shell models. New York: University Press, 2011. 152 p. doi: 10.1017/CBO9780511919251.
  3. Gibbon J.D., Vincenzi D. How to extract a spectrum from hydrodynamic equations? // Journal of Nonlinear Science. 2022. vol. 32. no. 6. pp. 1–25.
  4. Gurcan D., Xu S., Morel P. Spiral chain models of two-dimensional turbulence // Physical Review E. 2019. vol. 100. no. 4. doi: 10.1103/PhysRevE.100.043113.
  5. Mailybaev A.A. Hidden scale invariance of intermittent turbulence in a shell model // Physical Review Fluids. 2021. vol. 6. no. 1. doi: 10.1103/PhysRevFluids.6.L012601.
  6. Plunian, F., Stepanov R., Frick P. Shell models of magnetohydroodynamic turbulence // Physics Reports. 2013. vol. 523. no. 1. pp. 1–60.
  7. Munoz V., Dominguez M., Riquelme M., Nigro G., Carbone V. Fractality of an mhd shell model for turbulent plasma driven by solar wind data: a review // Journal of Atmospheric and Solar-Terrestrial Physics. 2021. vol. 214. doi: 10.1016/j.jastp.2020.105524.
  8. Chen N., Li Y., Lunasin E. An efficient continuous data assimilation algorithm for the sabra shell model of turbulence // Chaos. 2021. vol. 31. no. 10. doi: 10.1063/5.0057421.
  9. Li L., Liu P., Xing Y., Guo H. Shell models for confined rayleigh–taylor turbulent convection // Communications in Nonlinear Science and Numerical Simulation. 2020. vol. 84. doi: 10.1016/j.cnsns.2020.105204.
  10. Verdini A., Grappin R., Montagud-Camps V. Turbulent heating in the accelerating region using a multishell model // Solar Physics. 2019. vol. 294. doi: 10.1007/s11207-019-1458-y.
  11. Bhadra A., Mishra P.K. Energy spectrum and energy budget of superfluid turbulence using two-fluid shell model // AIP Advances. 2022. vol. 12. no. 2. doi: 10.1063/5.0083847.
  12. Nabil H., Balhamri A., Belafhal A. Propagation of bessel-gaussian shell-model beam through a jet engine exhaust turbulence // Optical and Quantum Electronics. 2022. vol. 54. no. 6. doi: 10.1007/s11082-022-03743-3.
  13. Tropina A.A., Miles R.B. Parametrical study of aero-optical effects using shell models of turbulence // AIAA Science and Technology Forum and Exposition, AIAA SciTech Forum 2022. doi: 10.2514/6.2022-0986.
  14. Inage S. Control parameter optimization for turbulence shell model // Computers and Fluids. 2021. vol. 229. doi: 10.1016/j.compfluid.2021.105084.
  15. Mailybaev A.A. Solvable intermittent shell model of turbulence // Communications in Mathematical Physics. 2021. vol. 388. no. 1. pp. 469–478.
  16. Gurcan O.D. Dynamical network models of the turbulent cascade // Physica D: Nonlinear Phenomena. 2021. vol. 426. doi: 10.1016/j.physd.2021.132983.
  17. Водинчар Г.М., Фещенко Л.К. Автоматизированная генерация каскадных моделей турбулентности методами компьютерной алгебры. // Вычислительные технологии. 2021. Т. 26. № 5. С. 65–80.
  18. Водинчар Г.М., Фещенко Л.К., Подлесный Н.В. Генерация комплексных каскадных моделей турбулентных систем методами компьютерной алгебры // Вестник КРАУНЦ. Физико-математические науки. 2022. Т. 41. № 4. С. 9–31.
  19. Vodinchar G.M., Feshchenko L.K. Computational Technology for the Basis and Coefficients of Geodynamo Spectral Models in the Maple System // Mathematics. 2023. vol. 11(13). doi: 10.3390/math11133000.
  20. Водинчар Г.М., Фещенко Л.К. Применение компьютерной алгебры для составления спектральных моделей кинематического осесимметричного динамо // Вычислительные технологии. 2023. Т. 28. № 2. С. 4–18.
  21. Bright C., Kotsireas I., Ganesh V. Applying computer algebra systems with SAT solvers to the Williamson conjecture // Jour. Symbolic Comp. 2020. vol. 100. pp. 187–209.
  22. Gayoso Martinez, V., Hernandez Encinas, L., Martin Munoz, A., Queiruga Dios, A. Using Free Mathimatical Software in Engineering Classes // Axioms. 2021. vol. 10(4). doi: 10.3390/axioms10040253.
  23. Bazan E.R., Hubert E. Multivariate interpolation: Preserving and exploiting symmetry // Journal of Symbolic Computation. 2021. vol. 107. pp. 1–22.
  24. Conceicao A.C., Pires J.C. Symbolic Computation Applied to Cauchy Type Singular Integrals // Math. Comput. Appl. 2022. vol. 27(1). doi: 10.3390/mca27010003.
  25. Campo-Montalvo E., Fernandez de Sevilla M., Magdalena Benedito J.R., Perez-Diaz S. Some New Symbolic Algorithms for the Computation of Generalized Asymptotes // Symmetry. 2023. vol. 15. no. 1. doi: 10.3390/sym15010069.
  26. Кирсанов М.Н. Математика и программирование в Maple. M.: Ай Пи Ар Медиа, 2020. 160 с.
  27. Wang F.Y. Physics with Maple: The Computer Algebra Resource for Mathematical Methods in Physics. New York: Wiley, 2006. 625 p.
  28. Campanelli L. One-dimensional model of freely decaying two-dimensional turbulence // Journal of the Korean Physical Society. 2022. vol. 80. no. 10. pp. 972–980.
  29. Campanelli L. Dimensional analysis of two-dimensional turbulence // Modern Physics Letters B. 2019. vol. 33. no. 19. doi: 10.1142/S021798491950218X.
  30. Федоряева Т.И. Комбинаторные алгоритмы. Новосибирск: НГУ, 2011. 118 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».