下载
课程和模型特点：
（1）考虑非水相流体（油相）入渗的油-水-气三相流模型。
（2）模型包括非饱和区和饱和区，油相自非饱和区入渗自饱和区。
（3）密度较小的油相最终浮在水相表面。
（4）本课程包括4个模型，分别是二维模型，二维含低渗层阻隔模型，三维模型，三维含低渗层阻隔模型。
（5）实现低渗层阻隔油相下渗，避免地下水体污染的效果。
（6）模型采用孔压为主控变量，从而可以充分利用Comsol自带的达西接口，进行改造。
（7）模型结果可以展示油相、水相、气相的饱和度变化。
（8）参考了多篇经典的三相流模型文献。
（9）课程包括文献解读、理论方程详细推导、Comsol接口设置、建模过程操作演示。
（10）本模型不同于两相流（两相流只考虑饱和驱替），也不同于Comsol自带的三相流（不是多孔介质），也不同于Comsol自带的多孔介质三相流（饱和度为主变量，非经典理论，收敛性差）。相比而言，本模型具有一定优势。但是，也不一定百分百完美，毕竟三相流理论还不够完全成熟。
（11）课程内容有关疑问请在本课程技术论坛交流，或咨询邮箱geo_ai@163.com，邮件主题：注册的手机号+Geo-06+答疑，否则视为广告邮件处理。
播放次数：390 折合: 0元
折合: 0元
收藏 
分享
学历：博士
研究方向：岩土多物理场耦合
购买课程后，点击课程附件资料下载，可免费获取模型源文件。本课程和模型特点：（1）在Comsol中实现非饱和土边坡降雨渗流-应力-变形耦合。 （2）实现利用强度折减法计算降雨后的边坡稳定系数。 （3）在Comsol中自主编辑公式实现耦合建模。 （4）掌握固体力学与渗流力学原理。
这个课程包含两个部分，第一部分是关于土柱固结沉降瞬态模型，它是基于物理力学理论，采用有限元法计算的。本次课程的第二部分内容：考虑时间和空间的comsol深度神经网络的运用。我们先通过有限元模型，通过代理模型计算，得到一定量（有限）的数据，然后采用深度神经网络对这些数据的输入与输出关系进行非线性映射，获得目标变量（最终沉降量）的DNN函数。然后就可以针对任意的参数值进行沉降量预测。该模型的特点是考虑了时间维度。
购买课程后，点击课程附件资料下载，可免费获取模型源文件。模型特点： 1、流体流动+传热+相变。 2、多孔介质混合两相流。 3、加热产生相变（汽化）。 4、以焓作为能量方程主变量而非温度。 5、考虑水在不同状态下的热量变化。 6、以PDE建模为主。 课程特点： 文献解读+控制方程+模型详解+操作建模。
1、本课程主要讲解Abaqus的非线性问题求解原理，以及重点讲解收敛性控制技术。 2、通过深入讲解Abaqus中的收敛条件，分析影响收敛的关键参数。 3、讲解如何调整系统默认设置的参数，使模型更容易、更快收敛，前提能保证结果精度。 4、解读Abaqus收敛原理，摆脱收敛困扰。 5、变被动模拟为主动分析，迈入Abaqus更高境界。
购买课程后，点击课程附件资料下载，可免费获取模型源文件。该视频课程主要讲解基于相场法的水力压裂理论，以及如何在Comsol中构建相应的数值模型。课程主要内容包括：（1）相场法水力压裂基础理论及控制方程精讲，结合经典SCI文献；（2）在Comsol中构建相场法水力压裂数值模型；（3）考虑了不同应力边界条件，复现SCI模型；（4）Step by Step全程操作演示，可跟做。
购买课程后，点击课程附件资料下载，可免费获取模型源文件。视频课程和模型特点： （1）采用颗粒流PFC6.0模拟三维高速远程滑坡碎屑流动力学过程。 （2）逐行代码讲解，PFC老手和新手都适用。 （3）讲解中穿插如何用PFC帮助文档自学代码、运用代码。 （4）在课程技术论坛交流答疑。
购买课程后，点击课程附件资料下载，可免费获取模型源文件。本课程和模型特点：1、在Comsol中建立了土石坝渗流稳定性模型； 2、该模型考虑库水位升降条件； 3、考虑土石坝非饱和渗流-应力-变形耦合； 4、利用强度折减法计算库水位升降过程中，土石坝的稳定性； 5、结果中可查看有效应力变化、孔压变化、饱和度变化、位移变化、塑性应变变化、稳定系数变化等； 6、附模型源文件。
购买课程后，点击课程附件资料下载，可免费获取模型源文件。模型特点： 1、VG非饱和渗流。 2、土柱降雨入渗。 3、入渗边界为流量-压力自由转换。 4、自由渗出边界与压力成正比。 课程特点：文献解读+控制方程+模型详解+操作建模。
该课程讲解了Comsol双渗模型的构建方法，主要以降雨边坡渗流稳定性模型为依托。考虑了边坡大孔隙和小孔隙的双孔结构，以及它们不同的渗流特征及其相互的水力交换。对Comsol双渗理论方程进行了详解。最后，采用强度折减法计算了不同降雨时刻，边坡的稳定系数。
这个课程包含两个部分，第一部分是关于土柱固结沉降模型，它是基于物理力学理论，采用有限元法计算的。本次课程的第二部分内容：comsol深度神经网络的运用。我们先通过有限元模型，通过代理模型计算，得到一定量（有限）的数据，然后采用深度神经网络对这些数据的输入与输出关系进行非线性映射，获得目标变量（最终沉降量）的DNN函数。然后就可以针对任意的参数值进行沉降量预测。
用户回复：
用户回复：
用户回复：
用户回复：
用户回复：
用户回复：
用户回复：