接上文[小白的CFD之旅]敲门实例[续] 主要内容 3 Solution3.1 Solution Methods3.2 Solution Controls3.3 Monitors3.4 Report Definitions3.5 Report Files3.6 Report Plots3.7 Solution Initialization3.8 Calculatin Activities3.9 Run Calculation 3 Solution 3.1 Solution Methods 模型树

对于常见的工程应用来说,计算的工况很多,尤其优化工作,少则几百,多则上千,面对如此之多的case文件要写,假如按照一个一个的读写的话,相信你一定会为这么机械的工作烦躁,甚至影响今后好几天的心情,那么有什么简便一些的方法呢?答案是肯定的.那就是采用fluent的journal文件.首先打开fluent软件,在file/write/start journal,见下图: 选择保存文件名*.journal后(看你自己怎么设置文件名),我一般按照这一组的类型来命名:这样, journal文件就开始记录你以

Hyperparameter search 超参数搜索 觉得有用的话,欢迎一起讨论相互学习~Follow Me 3.1 调试处理 需要调节的参数 级别一:\(\alpha\)学习率是最重要的需要调节的参数 级别二: Momentum参数 \(\beta\) 0.9是个很好的默认值 mini-batch size,以确保最优算法运行有效 隐藏单元数量 级别三: 层数 , 层数有时会产生很大的影响. learning rate decay 学习率衰减 级别四: NG在使用Adam算法时几乎不会调整\

一.简化前馈网络LeNet 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 import torch as t     class LeNet(t.nn.Module):     def __init__(self):         super(LeNet, self).__init__()         self.features = t.nn.Sequential(  

1 引言2 问题描述3 准备4 FLUENT前处理 1 引言 DEM碰撞模型扩展了DPM模型的功能,能够用于稠密颗粒流动的模拟.该模型可以与DDPM(Dense DPM)模型何用以模拟颗粒对主相的阻碍作用,因此可以用于鼓泡流化床.提升管.气力输送系统以及泥浆流动.特别对于以下情况,DEM模型特别有用: 当颗粒粒径分布很广时 当计算网格相对粗糙时 本案例演示DDPM模型的使用,其中颗粒碰撞通过DEM模型来考虑. 2 问题描述 本例中,我们将会模拟模拟一个鼓泡流化床,并且决定其在给定表观速度情况下的

本例利用FLUENT的DDPM模型对提升管进行模拟. 1 介绍 本案例演示在FLUENT中利用稠密离散相模型(Dense discrete phase model,DDPM)模拟2D提升管.DDPM模型用于第二相,考虑颗粒的粒径分布. 本案例演示的内容包括: 使用Eulerian多相流模型 设置DDPM模型 使用合适的求解器求解案例 后处理 2 问题描述 如下图所示,一个竖直的提升管,底部有空气入口,颗粒从接近空气入口的底部进入. 3 FLUENT前处理 3.1 Preparation 准备网格

按黄师姐的推荐,小白回头查找起 FLUENT的资料来.通过网络及图书馆查找相关资料,小白对于FLUENT有了基本的认识. FLUENT是一个CFD软件包,目前隶属于ANSYS公司 目前FLUENT的最新版本为Fluent17.0,包括在ANSYS安装包内 FLUENT软件是ANSYS公司2005年收购于FLUENT公司,FLUENT公司开发的的最终版本为6.3,ANSYS收购后的第一个FLUENT版本为FLUENT12.0 FLUENT软件是市场占有率最高的通用CFD软件 FLUENT软件可以在

http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/ : 理解神经网络   ELU:

1. vs2010 设置参数 编译运行JM8.6 (参考http://bbs.chinavideo.org/forum.php?mod=viewthread&tid=15695&highlight=jm%2Bvs) 编码:       a.打开tml.dsw,可以看到该工程包括lencod和ldecod两个solution       b.编码的参数设定:我用的是基本档次,设置lencod为当前工程,然后在Project/Property下的Configuration Proper的Deb

1. Question Description: ~前端是get方式提交的,参数含有中文“测试” ~导出的excel,文件名正常, 而标题乱码 2. Solution: ~断点发现, 参数接收就是乱码, ~String excelTitle = new String(objectgroupname.getBytes("ISO-8859-1"), "utf-8"); ~HSSFSheet sheet = book.createSheet(excelTitle);//s

索引器 class Program { static void Main(string[] args) { Employee e1 = new Employee(); e1[0] = "三"; e1[1] = "张"; e1[2] = "金华"; Console.WriteLine("我叫{1}{0},出生自{2}",e1[0],e1[1],e1[2]); Console.ReadKey(); } public class E

https://pytorch.org/docs/stable/nn.html 1)卷积层 class torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True) 二维卷积层, 输入的尺度是(N, Cin,H,W),输出尺度(N,Cout,Hout,Wout)的计算方式: 说明 stride: 控制相关系数的计算步长 dilation:

以下仅为了自己方便查看,绝大部分参考来源:莫烦Python,建议去看原博客 一.添加层 def add_layer() 定义 add_layer()函数 在 Tensorflow 里定义一个添加层的函数可以很容易的添加神经层,为之后的添加省下不少时间. 神经层里常见的参数通常有weights.biases和激励函数. 然后定义添加神经层的函数def add_layer(),它有四个参数:输入值.输入的大小.输出的大小和激励函数,我们设定默认的激励函数是None. def add_layer(in

说明: 最近在看Ng的DL课程,感觉说的非常好,浅显易懂! 本来打算记录一下自己的学习过程,网上几个大神总结的太完美了,根本没必要自己去写了,而且浪费时间~~ 网易地址:http://mooc.study.163.com/course/2001281002?tid=2001392029#/info,我是用1.75倍的速度看的,可能之前看过ML的缘故吧,就感觉很简单了. 大神博客地址:http://kyonhuang.top/Andrew-Ng-Deep-Learning-notes/#/    

var mysql = require('mysql'); var connection = mysql.createConnection({ host : 'localhost', user : 'root', password : '123456', database : 'test' }); connection.connect(); connection.query('SELECT 1 + 1 AS solution', function (error, results, fields)

    条件GAN(Conditional Generative Adversarial Nets),原文地址为CGAN. Abstract     生成对抗网络(GAN)是最近提出的训练生成模型(generative model)的新方法.在本文中,我们介绍了条件GAN(下文统一简称为CGAN),简单来说我们把希望作为条件的data y同时送入generator和discriminator.我们在文中展示了在数字类别作为条件的情况下,CGAN可以生成指定的MNIST手写数字.我们同样展示了CG

1.使用结构体grid作为map的key struct grid { int x; int y; }; (1)需要自定义比较函数operator<,不然会报错: error C2784: “bool std::operator <(const std::deque<_Ty,_Alloc> &,const std::deque<_Ty,_Alloc> &)”: 未能从“const grid”为“const std::deque<_Ty,_Alloc&

一.简化前馈网络LeNet import torch as t class LeNet(t.nn.Module): def __init__(self): super(LeNet, self).__init__() self.features = t.nn.Sequential( t.nn.Conv2d(3, 6, 5), t.nn.ReLU(), t.nn.MaxPool2d(2, 2), t.nn.Conv2d(6, 16, 5), t.nn.ReLU(), t.nn.MaxPool2d(2

一.简化前馈网络LeNet 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 import torch as t     class LeNet(t.nn.Module):     def __init__(self):         super(LeNet, self).__init__()         self.features = t.nn.Sequential(  

整理一下看到的自定义数据读取的方法,较好的有一下三篇文章, 其实自定义的方法就是把现有数据集的train和test分别用 含有图像路径与label的list返回就好了,所以需要根据数据集随机应变. 所有图片都在一个文件夹1 之前刚开始用的时候,写Dataloader遇到不少坑.网上有一些教程 分为all images in one folder 和 each class one folder.后面的那种写的人比较多,我写一下前面的这种,程式化的东西,每次不同的任务改几个参数就好. 等训练的时候写