scholarly journals Fully consistent Eulerian Monte Carlo fields method for solving probability density function transport equations in turbulence modeling

2021 ◽  
Vol 33 (1) ◽  
pp. 015118
Author(s):  
Haifeng Wang
Keyword(s):  
Monte Carlo ◽  
Probability Density Function ◽  
Probability Density ◽  
Density Function ◽  
Turbulence Modeling ◽  
Transport Equations

Monte Carlo Probability Density Function Method for Gas Turbine Combustor Flowfield Predictions

1997 ◽  
Vol 13 (2) ◽  
pp. 218-225 ◽  
Author(s):  
Anil K. Tolpadi ◽  
Sanjay M. Correa ◽  
David L. Burrus ◽  
Hukam C. Mongia
Keyword(s):  
Monte Carlo ◽  
Probability Density Function ◽  
Probability Density ◽  
Gas Turbine ◽  
Density Function ◽  
Function Method ◽  
Gas Turbine Combustor

scholarly journals Probability density function approach for modelling multi-phase flow with ganglia in porous media

2011 ◽  
Vol 688 ◽  
pp. 219-257 ◽  
Author(s):  
Manav Tyagi ◽  
Patrick Jenny
Keyword(s):  
Porous Media ◽  
Probability Density Function ◽  
Probability Density ◽  
Density Function ◽  
Transport Equations ◽  
Kolmogorov Equation ◽  
Phase Flow ◽  
Correlation Times ◽  
Multi Phase Flow ◽  
Multi Phase

AbstractA probabilistic approach to model macroscopic behaviour of non-wetting-phase ganglia or blobs in multi-phase flow through porous media is proposed. The key idea is to consider a set of stochastic Markov processes that can mimic the microscopic multi-phase dynamics. These processes are characterized by equilibrium probability density functions (PDFs) and correlation times, which can be obtained from micro-scale simulation studies or experiments. A Lagrangian viewpoint is adopted, where stochastic particles represent infinitesimal fluid elements and evolve in the physical and probability space. Ganglion mobilization and trapping are modelled by a two-state jump process with transition probabilities given as functions of ganglion size. Coalescence and breakup of ganglia influence the ganglion size distribution, which is modelled by a Langevin type equation. The joint probability density function (JPDF) of the chosen stochastic variables is governed by a high-dimensional Chapman–Kolmogorov equation. This equation can be used to derive moment (e.g. saturation, mean mobility etc.) transport equations, which in general do not form a closed system. However, in some special cases, which arise in the limit of one time scale being smaller or larger than the others, a closed set of moment transport equations can be obtained. For slowly varying and quasi-uniform flows, the saturation transport equation appears in closed form with the mean mobility fully determined, if the equilibrium PDFs are known. Furthermore, it is shown how statistical parameters such as mobilization and trapping rates and equilibrium PDFs can be obtained from the birth–death type approach, in which ganglia breakup and coalescence are explicitly considered. A two-equation transport model (one equation for the total saturation and one for the trapped saturation) is obtained in the limit of very fast coalescence and breakup processes. This model is employed to mimic hysteresis in relative permeability–saturation curves; a well known phenomenon observed in the successive processes of imbibition and drainage. For the general case, the JPDF-equation is solved using the stochastic particle method, which was proposed in our previous paper (Tyagi et al. J. Comput. Phys. 227, 2008, 6696–6714). Several one- and two-dimensional numerical simulation results are presented to show the influence of correlation times on the averaged macroscopic flow behaviour.

scholarly journals Mobile/Wireless Robot Navigation

Robotics ◽  
2013 ◽  
pp. 366-374
Author(s):  
Amina Waqar
Keyword(s):  
Monte Carlo ◽  
Probability Density Function ◽  
Probability Density ◽  
Density Function ◽  
Efficient Method ◽  
Feedback Loop ◽  
Loop Filter ◽  
Mobile Wireless ◽  
External Loop ◽  
Monte Carlo Localization

Sensor-based localization has been found to be one of the most preliminary issues in the world of Mobile/Wireless Robotics. One can easily track a mobile robot using a Kalman Filter, which uses a Phase Locked Loop for tracing via averaging the values. Tracking has now become very easy, but one wants to proceed to navigation. The reason behind this is that tracking does not help one determine where one is going. One would like to use a more precise “Navigation” like Monte Carlo Localization. It is a more efficient and precise way than a feedback loop because the feedback loops are more sensitive to noise, making one modify the external loop filter according to the variation in the processing. In this case, the robot updates its belief in the form of a probability density function (pdf). The supposition is considered to be one meter square. This probability density function expands over the entire supposition. A door in a wall can be identified as peak/rise in the probability function or the belief of the robot. The mobile updates a window of 1 meter square (area depends on the sensors) as its belief. One starts with a uniform probability density function, and then the sensors update it. The authors use Monte Carlo Localization for updating the belief, which is an efficient method and requires less space. It is an efficient method because it can be applied to continuous data input, unlike the feedback loop. It requires less space. The robot does not need to store the map and, hence, can delete the previous belief without any hesitation.

scholarly journals Συνεισφορά της οπτικής τoμογραφίας OCT (optical computed tomography) στην μονοφωτονική τομοσπινθηρογραφία

2019 ◽  
Author(s):  
Αριστοτέλης-Νικόλαος Ραψομανίκης
Keyword(s):  
Computed Tomography ◽  
Monte Carlo ◽  
Probability Density Function ◽  
Probability Density ◽  
Density Function ◽  
Ray Tracing ◽  
Optical Tomography ◽  
Time Resolved ◽  
Optical Computed Tomography ◽  
Pet Ct

Η ανατομική πληροφορία στις καθιερωμένες συνδυαστικές μοριακές απεικονίσεις γίνεται συνήθως με ιοντίζουσες ακτινοβολίες (ακτίνες-Χ, SPECT/CT, PET/CT), οι οποίες επιβαρύνουν κατά κανόνα τον ασθενή με επιπρόσθετη ακτινοβόληση. Η σύγχρονη έρευνα εστιάζεται στη χρήση οπτικών μεθόδων για την υλοποίηση της ζητούμενης μορφολογικής εικόνας, όπου σκεδαζόμενο φως από την υπό εξέταση περιοχή ανακατασκευάζεται κατάλληλα για να αποδώσει τη ζητούμενη ανατομική πληροφορία. Σκοπός της Διδακτορικής αυτής Διατριβής είναι η μελέτη μιας καινοτόμου μεθόδου οπτικής απεικόνισης, όπου, παρά την υψηλή σκεδαστικότητα του μέσου, η χρονικά αξιοποιημένη λαμβανόμενη πληροφορία να δύναται να χρησιμοποιηθεί επιτυχώς για την μορφολογική ανασύσταση του σκεδαζόμενου μέσου σε τομογραφικό επίπεδο. Απώτερος στόχος της μελέτης αυτής είναι η ανάπτυξη ενός υβριδικού τομογραφικού συστήματος αποτελούμενου από μία γ-Camera (SPECT) και ενός συστήματος τηλεκεντρικού φωτισμού με υπέρυθρη παλμική ακτινοβολία και σύστημα οπτικής ανάλυσης με χρονική πληροφορία (Time Resolved Optical Tomography - TROT). Βασικός αρωγός στην κατανόηση των φυσικών διεργασιών στο στάδιο αυτό, πέραν του πειραματικού ελέγχου της εφαρμοσιμότητας συμβατικών μαθηματικών αλγορίθμων για την ανακατασκευή της τομογραφικής εικόνας με υπέρυθρη και οπτική ακτινοβολία, αποτέλεσε η ανάπτυξη ενός εκτεταμένου εργαλείου προσομοίωσης με τεχνικές Monte-Carlo, το οποίο, πέραν από τη λεπτομερή παρακολούθηση της τροχιάς ενός φωτονίου (ray-tracing) σε ισχυρά σκεδαστικό μέσο, καινοτομεί σε δύο βασικά σημεία: Εισάγει με στοχαστικό τρόπο, υπό τη μορφή συνάρτησης πυκνότητας πιθανότητας (probability density function), την μακροσκοπική προσομοίωση της κυριαρχούσης στο μέσο σκέδασης Mie, αποφεύγοντας τοιουτοτρόπως μεγάλους υπολογιστικούς χρόνους. Παράλληλα, υπολογίζει το χρόνο πτήσης (Time-of-Flight) για κάθε προσομοιούμενο φωτόνιο, παρακολουθώντας όλες τις γνωστές φυσικές αλληλεπιδράσεις στις οποίες αυτό υπεισέρχεται. Το λογισμικό αυτό (PhoSim) με την μορφή ενός ολοκληρωμένου πακέτου εφαρμογής αποτελεί τον πυρήνα της μελέτης του εξεταζόμενου θέματος στην Διδακτορική αυτή Διατριβή.

scholarly journals Uncertainty evaluation of the conducted emission measurements

2013 ◽  
Vol 28 (2) ◽  
pp. 182-190 ◽  
Author(s):  
Aleksandar Kovacevic ◽  
Dejan Despotovic ◽  
Zoran Rajovic ◽  
Koviljka Stankovic ◽  
Ana Kovacevic ◽  
...  
Keyword(s):  
Monte Carlo ◽  
Monte Carlo Method ◽  
Probability Density Function ◽  
Measurement Uncertainty ◽  
Probability Density ◽  
Density Function ◽  
Least Squares Method ◽  
Combined Method ◽  
Conducted Emission ◽  
Number Of Classes

For the evaluation of measurement uncertainty in measuring the conduction emission, in this paper we propose a new model which uses mixed distribution. Evaluation of probability density function for the measurand has been done using Monte Carlo method and a modified least-squares method (combined method). In addition, the number of data n and the number of classes of histogram k which were used for simulation, were varied.

Sign in / Sign up

Export Citation Format

Share Document