摘要：格子玻尔兹曼算法(LBM,Lattice Boltzmann method)相较于传统计算流体力学方法具有程序结构简单,对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点。然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源。利用深度学习在预测与回归方面的强大能力,基于LBM设计了一个由卷积层与卷积长短期记忆层组成的人工神经网络预测模型并将其命名为C-LBM(compressed LBM)。该模型能等效替代多个普通LBM迭代。对于方腔环流问题,模型完成训练后,对测试集均方差在5×10^(-6)以下,对泛化算例在10-5以下,精度得到了保障。相较于串行LBM程序,C-LBM模型计算效率提升约15倍。

摘要：采用渗流有限元计算方法(FEM),对北江大堤的瞬态渗流进行数值模拟,设计并优化了防渗方案。首先,使用测压管实测数据与稳态计算进行对比,计算结果与实测数据基本吻合。然后,计算在短时间内水位突涨后的瞬态渗流场。最后,选择减压井作为防渗措施并对其进行优化。结果表明:与稳态同等水位下相比,瞬态应做出更高的安全措施;水位为15.78 m时,得出的坡降达到0.5,堤防发生破坏;减压井排水减压效果受贯入深度影响较大,随着贯入深度的增加效果逐渐提升;同一渗透系数土层内在3/5与4/5深度排水减压效果提升相对较小;由于地质条件的不同,同样的减压井放在不同的位置效果差距很大,水平距离为95 m时的防渗效果最佳,深度为16.5 m时效果最佳。