- Код статьи
- S30345340S1024708425030034-1
- DOI
- 10.7868/S3034534025030034
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 30-36
- Аннотация
- Рассмотрены задачи о ламинарных струях, допускающие автомодельные решения. Предложен способ определения параметра автомодельности, исходя из условия существования решения уравнений в автомодельных переменных при заданных граничных условиях только при одном параметре автомодельности. Параметры автомодельности в задачах о плоских свободной и пристенной струях определены аналитически. Определение параметра автомодельности в задаче о трехмерной пристенной струе осуществляется с помощью нейронной сети.
- Ключевые слова
- пристенные струи автомодельность параметр автомодельности нейронные сети ламинарная струя
- Дата публикации
- 23.03.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 34
Библиография
- 1. Schlichting H. Laminare Strahlausbreitung // ZAMM-Journal of Applied Mathematics and Mechanics / Zeitschrift für Angewandte Mathematik und Mechanik. 1933. Jg. 13. No. 4. S. 260–263.
- 2. Шлихтинг Г. Теория пограничного слоя. М.: Наука, 1969. 744 с.
- 3. Bickley W.G. LXXIII. The plane jet // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. 1937. V. 23. No. 156. P. 727–731.
- 4. Акатинов Н. И. Распространение плоской ламинарной струи вязкой жидкости вдоль твердой стенки // Тр. Ленинградского политех. ин-та. 1953. № 5. С. 24–31.
- 5. Glauert M.B. The wall jet // Journal of Fluid Mechanics. 1956. V. 1. No. 6. P. 625–643.
- 6. Бут И. И., Гайфуллин А. М., Жанк В. В. Дальнее поле трехмерной пристенной ламинарной струи // Изв. РАН. Механика жидкости и газа. 2021. № 6. С. 51–61.
- 7. Gaifullin A.M., Shcheglov A.S. Self-Similarity of a Wall Jet with Swirl // Lobachevskii Journal of Mathematics. 2022. V. 43. No. 5. P. 1098–1103.
- 8. Лойцянский Л. Г. Механика жидкости и газа. М.: Наука, 1978. 736 с.
- 9. Raissi M., Perdikaris P., Karniadakis G. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // Journal of Computational Physics. 2019. V. 378. P. 686–707.
