Submit Search
Upload
ナビエストークスの方程式の物理的解釈と導出
•
0 likes
•
2,654 views
M
M M
Follow
ナビエストークスの方程式の物理的解釈と導出
Read less
Read more
Science
Report
Share
Report
Share
1 of 7
Download now
Download to read offline
Recommended
変分法
変分法
弘毅 露崎
Intel AVX-512/富岳SVE用SIMDコード生成ライブラリsimdgen
Intel AVX-512/富岳SVE用SIMDコード生成ライブラリsimdgen
MITSUNARI Shigeo
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
OpenFOAMの混相流用改造solver(S-CLSVOF法)の設定・使い方
OpenFOAMの混相流用改造solver(S-CLSVOF法)の設定・使い方
takuyayamamoto1800
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
OpenFOAMの壁関数
OpenFOAMの壁関数
Fumiya Nozaki
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
kenyanonaka
異常検知と変化検知 第4章 近傍法による異常検知
異常検知と変化検知 第4章 近傍法による異常検知
Ken'ichi Matsui
Recommended
変分法
変分法
弘毅 露崎
Intel AVX-512/富岳SVE用SIMDコード生成ライブラリsimdgen
Intel AVX-512/富岳SVE用SIMDコード生成ライブラリsimdgen
MITSUNARI Shigeo
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
OpenFOAMの混相流用改造solver(S-CLSVOF法)の設定・使い方
OpenFOAMの混相流用改造solver(S-CLSVOF法)の設定・使い方
takuyayamamoto1800
Chapter2.3.6
Chapter2.3.6
Takuya Minagawa
OpenFOAMの壁関数
OpenFOAMの壁関数
Fumiya Nozaki
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
kenyanonaka
異常検知と変化検知 第4章 近傍法による異常検知
異常検知と変化検知 第4章 近傍法による異常検知
Ken'ichi Matsui
プログラムを高速化する話
プログラムを高速化する話
京大 マイコンクラブ
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Takuya Akiba
Inter flowによる軸対称milkcrown解析
Inter flowによる軸対称milkcrown解析
守淑 田村
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
TensroFlow XLA : JIT編 (r1.3版)
TensroFlow XLA : JIT編 (r1.3版)
Mr. Vengineer
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
ARISE analytics
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
ayohe
Operations research yonezawa_no2
Operations research yonezawa_no2
ssuser0bebd2
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
ManaMurakami1
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
Deep Learning JP
x86x64 SSE4.2 POPCNT
x86x64 SSE4.2 POPCNT
takesako
Re永続データ構造が分からない人のためのスライド
Re永続データ構造が分からない人のためのスライド
Masaki Hara
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
ぱんいち すみもと
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
Tomoshige Nakamura
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
色々なダイクストラ高速化
色々なダイクストラ高速化
yosupo
カゴメ格子のバンド図の計算
カゴメ格子のバンド図の計算
M M
六角形のブリルアンゾーンを長方形に変形する
六角形のブリルアンゾーンを長方形に変形する
M M
More Related Content
What's hot
プログラムを高速化する話
プログラムを高速化する話
京大 マイコンクラブ
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Takuya Akiba
Inter flowによる軸対称milkcrown解析
Inter flowによる軸対称milkcrown解析
守淑 田村
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
Deep Learning JP
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
logics-of-blue
TensroFlow XLA : JIT編 (r1.3版)
TensroFlow XLA : JIT編 (r1.3版)
Mr. Vengineer
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
ARISE analytics
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
ayohe
Operations research yonezawa_no2
Operations research yonezawa_no2
ssuser0bebd2
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
ManaMurakami1
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
Deep Learning JP
x86x64 SSE4.2 POPCNT
x86x64 SSE4.2 POPCNT
takesako
Re永続データ構造が分からない人のためのスライド
Re永続データ構造が分からない人のためのスライド
Masaki Hara
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
Morpho, Inc.
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
ぱんいち すみもと
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
Tomoshige Nakamura
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
色々なダイクストラ高速化
色々なダイクストラ高速化
yosupo
What's hot
(20)
プログラムを高速化する話
プログラムを高速化する話
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
プログラミングコンテストでのデータ構造 2 ~平衡二分探索木編~
Inter flowによる軸対称milkcrown解析
Inter flowによる軸対称milkcrown解析
[DL輪読会]Neural Ordinary Differential Equations
[DL輪読会]Neural Ordinary Differential Equations
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
2 5 3.一般化線形モデル色々_Gamma回帰と対数線形モデル
TensroFlow XLA : JIT編 (r1.3版)
TensroFlow XLA : JIT編 (r1.3版)
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
【論文読み会】Analytic-DPM_an Analytic Estimate of the Optimal Reverse Variance in D...
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Anaconda navigatorのアップデートが終わらないときの対処方法メモ
Operations research yonezawa_no2
Operations research yonezawa_no2
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
「NVIDIA プロファイラを用いたPyTorch学習最適化手法のご紹介(修正前 typoあり)」
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
[DL輪読会]A Bayesian Perspective on Generalization and Stochastic Gradient Descent
x86x64 SSE4.2 POPCNT
x86x64 SSE4.2 POPCNT
Re永続データ構造が分からない人のためのスライド
Re永続データ構造が分からない人のためのスライド
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
(文献紹介)Deep Unrolling: Learned ISTA (LISTA)
実装レベルで学ぶVQVAE
実装レベルで学ぶVQVAE
卒論プレゼンテーション -DRAFT-
卒論プレゼンテーション -DRAFT-
パターン認識 第10章 決定木
パターン認識 第10章 決定木
色々なダイクストラ高速化
色々なダイクストラ高速化
More from M M
カゴメ格子のバンド図の計算
カゴメ格子のバンド図の計算
M M
六角形のブリルアンゾーンを長方形に変形する
六角形のブリルアンゾーンを長方形に変形する
M M
酸と塩基のルイスの定義
酸と塩基のルイスの定義
M M
電磁テンソルの導出
電磁テンソルの導出
M M
ネータカレントの導出
ネータカレントの導出
M M
自発的対称性の破れと小林益川理論
自発的対称性の破れと小林益川理論
M M
クォークとレプトン
クォークとレプトン
M M
剛体の力学的エネルギーと慣性モーメントの性質
剛体の力学的エネルギーと慣性モーメントの性質
M M
平面内の回転
平面内の回転
M M
相対性理論の記法
相対性理論の記法
M M
ラグランジュ形式による場の量子化
ラグランジュ形式による場の量子化
M M
四元速度の導入
四元速度の導入
M M
ローレンツ変換の不変量 世界間隔
ローレンツ変換の不変量 世界間隔
M M
時間と空間の対称性
時間と空間の対称性
M M
ローレンツ変換の導出
ローレンツ変換の導出
M M
ローレンツ変換と不変量
ローレンツ変換と不変量
M M
反変・共変・混合テンソルの定義
反変・共変・混合テンソルの定義
M M
反変ベクトルと共変ベクトル
反変ベクトルと共変ベクトル
M M
点電荷のエネルギーの発散
点電荷のエネルギーの発散
M M
場の量子論
場の量子論
M M
More from M M
(20)
カゴメ格子のバンド図の計算
カゴメ格子のバンド図の計算
六角形のブリルアンゾーンを長方形に変形する
六角形のブリルアンゾーンを長方形に変形する
酸と塩基のルイスの定義
酸と塩基のルイスの定義
電磁テンソルの導出
電磁テンソルの導出
ネータカレントの導出
ネータカレントの導出
自発的対称性の破れと小林益川理論
自発的対称性の破れと小林益川理論
クォークとレプトン
クォークとレプトン
剛体の力学的エネルギーと慣性モーメントの性質
剛体の力学的エネルギーと慣性モーメントの性質
平面内の回転
平面内の回転
相対性理論の記法
相対性理論の記法
ラグランジュ形式による場の量子化
ラグランジュ形式による場の量子化
四元速度の導入
四元速度の導入
ローレンツ変換の不変量 世界間隔
ローレンツ変換の不変量 世界間隔
時間と空間の対称性
時間と空間の対称性
ローレンツ変換の導出
ローレンツ変換の導出
ローレンツ変換と不変量
ローレンツ変換と不変量
反変・共変・混合テンソルの定義
反変・共変・混合テンソルの定義
反変ベクトルと共変ベクトル
反変ベクトルと共変ベクトル
点電荷のエネルギーの発散
点電荷のエネルギーの発散
場の量子論
場の量子論
ナビエストークスの方程式の物理的解釈と導出
1.
ナビエストークス方程式 の解釈
2.
NS方程式の形 𝜌 𝜕 𝜕𝑡 Ԧ𝑣 + Ԧ𝑣
⋅ 𝛻 Ԧ𝑣 = −𝛻𝑃 + 𝜇𝛻2 Ԧ𝑣 + 𝜌 Ԧ𝑓 Ԧ𝑣 Ԧ𝑟, 𝑡 : 位置Ԧ𝑟時刻𝑡における流体の速度(場の量であることに注意) Ԧ𝑓:単位質量当たりの外力 𝜌:密度 𝑃 Ԧ𝑟, 𝑡 :圧力 𝜇:粘性係数 密度と粘性係数は一定であるという仮定を敷いている。 実際は、非圧縮性𝛻 ⋅ Ԧ𝑣 = 0を仮定する。 ニュートンの運動方程式ma=Fの流体バージョン. Ԧ𝑣 ⋅ 𝛻 Ԧ𝑣に二次の項が出現して、非線形になり、解きにくい。
3.
物質微分 位置Ԧ𝑟、時刻𝑡における物質の加速度は、 Ԧ𝑣(Ԧ𝑟, 𝑡)が場の量であるこ とに注意すると、 Ԧ𝑣
Ԧ𝑟 + 𝑑Ԧ𝑟, 𝑡 + 𝑑𝑡 − Ԧ𝑣 Ԧ𝑟, 𝑡 𝑑𝑡 = Ԧ𝑣 Ԧ𝑟 + Ԧ𝑣𝑑𝑡, 𝑡 + 𝑑𝑡 − Ԧ𝑣 Ԧ𝑟, 𝑡 𝑑𝑡 = 𝑑 𝑑𝑡 Ԧ𝑣 + Ԧ𝑣 ⋅ 𝛻 Ԧ𝑣 よって、ニュートンの運動方程式のmaに対応するのは 𝜌 𝑑 𝑑𝑡 Ԧ𝑣 + Ԧ𝑣 ⋅ 𝛻 Ԧ𝑣
4.
粘性項の対称性 剛体のz軸周りの回転を考える。剛体の回転は質点同士の相対的 位置関係を変えないので、粘性が働かない。微小六面体の回転に 対する運動方程式は、 𝐼 𝑑𝜔 𝑑𝑡 = 2𝜏 𝑥𝑦
𝑑𝑦𝑑𝑧 𝑑𝑥 2 − 2𝜏 𝑦𝑥 𝑑𝑥 2 𝑑𝑦𝑑𝑧 1 12 𝑑𝑥𝑑𝑦𝑑𝑧 𝑑𝑥 2 + 𝑑𝑦 2 𝑑𝜔 𝑑𝑡 = 2𝜏 𝑥𝑦 𝑑𝑦𝑑𝑧 𝑑𝑥 2 − 2𝜏 𝑦𝑥 𝑑𝑥 2 𝑑𝑦𝑑𝑧 𝑑𝑥, 𝑑𝑦, 𝑑𝑧 → 0とすると、 𝜏 𝑥𝑦 = 𝜏 𝑦𝑥
5.
-dx/2≦x≦dx/2,-dy/2≦y≦dy/2,-dz/2≦z≦dz/2に領域を持つ六 面体のz軸周りの慣性モーメントは 𝐼 = න(𝑥2 +
𝑦2 )𝑑𝑥𝑑𝑦𝑑𝑧 = 𝑑𝑧 න𝑥2 + 𝑦2 𝑑𝑥𝑑𝑦 = 𝑑𝑧 1 3 𝑥3 𝑑𝑦 + 2 3 1 2 3 𝑥 𝑑𝑦 3 − 1 2 𝑑𝑥 1 2 𝑑𝑥 = 𝑑𝑧 𝑑𝑥 3 𝑑𝑦 12 + 𝑑𝑥 𝑑𝑦 3 12 = 1 12 𝑑𝑥𝑑𝑦𝑑𝑧 𝑑𝑥 2 + 𝑑𝑦 2
6.
粘性項 経験的にクエット流れの場合 𝜏 𝑥𝑦 =
𝜇 𝑑𝑣 𝑦 𝑑𝑥 粘性項の対称性から、𝜏 𝑥𝑦 = 𝜏 𝑦𝑥であり、下の式が予想される。 𝜏 𝑥𝑦 = 𝜇 𝑑𝑣 𝑥 𝑑𝑦 + 𝑑𝑣 𝑦 𝑑𝑥 一つ目の式は剛体の回転において、粘性が0になるという結果を満た さないが、二つ目の式は満たす。二つ目の式はもっと厳密な導出が存 在する。もっと一般に 𝜏𝑖𝑗 = 𝜇 𝜕𝑣𝑖 𝜕𝑥𝑗 + 𝜕𝑣𝑗 𝜕𝑥𝑖
7.
粘性項の導出 X成分について粘性項を求めよう。微小六面体に働く粘性力は、 𝜕𝜏𝑖𝑥 𝜕𝑥𝑖 𝑑𝑥𝑑𝑦𝑑𝑧 = 𝜇 𝜕 𝜕𝑥𝑖 𝜕𝑣 𝑥
𝑖 𝜕𝑥 + 𝜕𝑣 𝑥 𝜕𝑥𝑖 = 𝜇 𝜕 𝜕𝑥𝑖 𝜕𝑣 𝑥 𝑖 𝜕𝑥 + 𝜕2 𝑣 𝑥 𝜕𝑥𝑖 2 これより、粘性項は、𝜇 ∇ ⋅ Ԧ𝑣 ∇ + ∇ ⋅ ∇ Ԧ𝑣 = 𝜇∇2 Ԧ𝑣。ただしここ で、非圧縮性の条件∇ ⋅ Ԧ𝑣 = 0を仮定した。
Download now