《表1 磁性液体常用数值模拟方法的适用范围及优缺点》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《磁性液体数值模拟研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Bahiuddin等人[19]采用单隐层的前馈神经网络，模拟了磁性液体剪切模式下的力学性能.仅已知剪应力与剪切率、磁感应强度有依赖关系，机器学习得出的本构模型可以预报未知磁场下的流动曲线，如图6（b）所示.Zeinali等人[69]采用自适应模糊神经网络，预报了商用短行程和长行程磁性液体阻尼器的力学性能，回归值分别达到0.9989和0.9961.Zhao等人[70]将宏观尺度的CFD模拟、细观尺度的MD模拟以及主动机器学习相结合，研究了非牛顿流体的圆柱绕流问题.CFD求解器为MD模拟提供初始条件，同时MD模拟给出了CFD所必须的本构关系，利用主动学习压缩计算量，最终建立了聚合物流动的多尺度模型.机器学习在其中起到的作用有一定普适性，该技术对磁性液体的模拟研究有重要借鉴意义.机器学习可以得出磁性液体及器件的唯像本构模型，理论上适用于任何问题，有广泛的应用前景.然而以神经网络为代表的“黑盒子”型机器学习无法给出本构模型的显式表达式.基于进化算法（evolutionary algorithm）的机器学习可以得到显示表达式[71]，但其形式会因具体问题而异，本构模型不具有普适性.各种模拟方法的适用范围及优缺点如表1所示.