利用matlab编程实现的声波的时域差分方程

2023-10-13 09:40

本文主要是介绍利用matlab编程实现的声波的时域差分方程,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、 声波方程的数值计算

网格离散

声波基本方程如下
∂ p ∂ t = − ρ c 2 ( ∂ v x ∂ x + ∂ v y ∂ y + ∂ v z ∂ z ) ∂ v z ∂ t = − 1 ρ ∂ p ∂ z \frac{\partial p}{\partial t}=-\rho c^{2}\left(\frac{\partial v_{x}}{\partial x}+\frac{\partial v_{y}}{\partial y}+\frac{\partial v_{z}}{\partial z}\right)\\ \\ \\ \frac{\partial v_{z}}{\partial t}=-\frac{1}{\rho} \frac{\partial p}{\partial z} tp=ρc2(xvx+yvy+zvz)tvz=ρ1zp
离散网格采用cartesian网格划分法,对于声压P、质点振速v,进行离散化得到:
p n ( i , j , k ) = p [ i Δ x , j Δ y , k Δ z , n Δ t ] \ {p^n}(i,j,k) = p[i\Delta x,j\Delta y,k\Delta z,n\Delta t] \,  pn(i,j,k)=p[iΔx,jΔy,kΔz,nΔt]
速度离散
v x n + 1 / 2 ( i − 1 / 2 , j , k ) = v x [ ( i − 1 / 2 ) Δ x , j Δ y , k Δ z , ( n + 1 / 2 ) Δ t ] v y n + 1 / 2 ( i , j − 1 / 2 , k ) = v x [ i Δ x , ( j − 1 / 2 ) Δ y , k Δ z , ( n + 1 / 2 ) Δ t ] v z n + 1 / 2 ( i , j , k − 1 / 2 ) = v x [ i Δ x , j Δ y , ( k − 1 / 2 ) Δ z , ( n + 1 / 2 ) Δ t ] \ v_x^{n + 1/2}(i - 1/2,j,k) = {v_x}[(i - 1/2)\Delta x,j\Delta y,k\Delta z,(n + 1/2)\Delta t]\\ v_y^{n + 1/2}(i,j - 1/2,k) = {v_x}[i\Delta x,(j - 1/2)\Delta y,k\Delta z,(n + 1/2)\Delta t]\\ v_z^{n + 1/2}(i,j,k - 1/2) = {v_x}[i\Delta x,j\Delta y,(k - 1/2)\Delta z,(n + 1/2)\Delta t]  vxn+1/2(i1/2,j,k)=vx[(i1/2)Δx,jΔy,kΔz,(n+1/2)Δt]vyn+1/2(i,j1/2,k)=vx[iΔx,(j1/2)Δy,kΔz,(n+1/2)Δt]vzn+1/2(i,j,k1/2)=vx[iΔx,jΔy,(k1/2)Δz,(n+1/2)Δt]
将振动速度和声压进行离散,然后把质点振动速度和声压进行在时间上相差半步进行抽样,进而实现空间,时间的四维模型中实现交替抽样。
将离散后的方程带入声波方程如下:
p n + 1 ( i , j , k ) = p n ( i , j , k ) − ρ c 2 ( i , j , k ) ⋅ Δ t ⋅ { 1 Δ x [ v x n + 1 / 2 ( i + 1 2 , j , k ) − v x n + 1 / 2 ( i − 1 2 , j , k ) ] + 1 Δ y [ v y n + 1 / 2 ( i , j + 1 2 , k ) − v y n + 1 / 2 ( i , j − 1 2 , k ) ] + 1 Δ z [ v z n + 1 / 2 ( i , j + 1 2 , k ) − v z n + 1 / 2 ( i , j − 1 2 , k ) ] } } v x n + 1 / 2 ( i − 1 2 , j , k ) = v x n − 1 / 2 ( i − 1 2 , j , k ) − Δ t ρ ⋅ Δ x [ p n ( i , j , k ) − p n ( i − 1 , j , k ) ] v y n + 1 / 2 ( i , j − 1 2 , k ) = v y n − 1 / 2 ( i , j − 1 2 , k ) − Δ t ρ ⋅ Δ y [ p n ( i , j , k ) − p n ( i , j − 1 , k ) ] v z n + 1 / 2 ( i , j , k − 1 2 ) = v z n − 1 / 2 ( i , j , k − 1 2 ) − Δ t ρ ⋅ Δ z [ p n ( i , j , k ) − p n ( i , j , k − 1 ) ] {{p^{n + 1}}(i,j,k) = {p^n}(i,j,k) - \rho {c^2}(i,j,k) \cdot \Delta t \cdot \left\{ {\frac{1}{{\Delta x}}\left[ {v_x^{n + 1/2}\left( {i + \frac{1}{2},j,k} \right) - v_x^{n + 1/2}\left( {i - \frac{1}{2},j,k} \right)} \right]} \right.} \\ {\left. {\left. { + \frac{1}{{\Delta y}}\left[ {v_y^{n + 1/2}\left( {i,j + \frac{1}{2},k} \right) - v_y^{n + 1/2}\left( {i,j - \frac{1}{2},k} \right)} \right] + \frac{1}{{\Delta z}}\left[ {v_z^{n + 1/2}\left( {i,j + \frac{1}{2},k} \right) - v_z^{n + 1/2}\left( {i,j - \frac{1}{2},k} \right)} \right]} \right\}} \right\}} \\ {} \\ {v_x^{n + 1/2}\left( {i - \frac{1}{2},j,k} \right) = v_x^{n - 1/2}\left( {i - \frac{1}{2},j,k} \right) - \frac{{\Delta t}}{{\rho \cdot \Delta x}}\left[ {{p^n}(i,j,k) - {p^n}(i - 1,j,k)} \right]} \\ {v_y^{n + 1/2}\left( {i,j - \frac{1}{2},k} \right) = v_y^{n - 1/2}\left( {i,j - \frac{1}{2},k} \right) - \frac{{\Delta t}}{{\rho \cdot \Delta y}}\left[ {{p^n}(i,j,k) - {p^n}(i,j - 1,k)} \right]} \\ {v_z^{n + 1/2}\left( {i,j,k - \frac{1}{2}} \right) = v_z^{n - 1/2}\left( {i,j,k - \frac{1}{2}} \right) - \frac{{\Delta t}}{{\rho \cdot \Delta z}}\left[ {{p^n}(i,j,k) - {p^n}(i,j,k - 1)} \right]} pn+1(i,j,k)=pn(i,j,k)ρc2(i,j,k)Δt{Δx1[vxn+1/2(i+21,j,k)vxn+1/2(i21,j,k)]+Δy1[vyn+1/2(i,j+21,k)vyn+1/2(i,j21,k)]+Δz1[vzn+1/2(i,j+21,k)vzn+1/2(i,j21,k)]}}vxn+1/2(i21,j,k)=vxn1/2(i21,j,k)ρΔxΔt[pn(i,j,k)pn(i1,j,k)]vyn+1/2(i,j21,k)=vyn1/2(i,j21,k)ρΔyΔt[pn(i,j,k)pn(i,j1,k)]vzn+1/2(i,j,k21)=vzn1/2(i,j,k21)ρΔzΔt[pn(i,j,k)pn(i,j,k1)]

时域差分方程是一种显式差分方程,在求解过程中,需要考虑算法的稳定性问题。在求解过程中的不稳定性表现为,随着时间步数的增加,计算结果也会无限制的增加。之前研究者们,对时间步长的限制条件进行了讨论,得出数值解是否稳定取决于时间步长和空间步长的关系。在非均匀媒介构成的空间中,需要进行合理的选择,得到时域有限差分的时间空间关系如下:
Δ t ⩽ 1 c max ⁡ ( 1 Δ x ) 2 + ( 1 Δ y ) 2 + ( 1 Δ z ) 2 \ \Delta t \leqslant \frac{1}{{{c_{\max }}\sqrt {{{\left( {\frac{1}{{\Delta x}}} \right)}^2} + {{\left( {\frac{1}{{\Delta y}}} \right)}^2} + {{\left( {\frac{1}{{\Delta z}}} \right)}^2}} }}\\  Δtcmax(Δx1)2+(Δy1)2+(Δz1)2 1
其中必须确定频率和步长的关系如下:
Δ s < = λ min ⁡ N \ \Delta s < = \frac{{{\lambda _{\min }}}}{N}\\  Δs<=Nλmin

设定非均匀区域为中间十字形状(简单设置非均匀区域),如果需要可以更加复杂非均匀区域的可以再设定一个密度或者振速矩阵,或者改成for循环,利用条件语句设定,如果需要联系我
代码如下:

clc;
clear;
global Nx Ny Nt dx dy dt
Nx=300; Ny=300; Nt=900;%设置采样点数,采样时间点数
dx=1e-4;    %x方向和Y方向的步长
dy=1e-4;     %空间步长
dt=1e-8;   %时间步长
f=1e6;      %激励频率
p=p_(1000,1000,1000,1000);   %均匀 pl(声速1,声速2,密度1,密度2)
p1=p_(1000,1000,1000,1500);  %非均匀
dp=p-p1;                     %二者差值 
for k=1:4:Nt
figure (1);
subplot(1,3,2);   
pcolor(p(:,:,k));
shading interp;
colormap('bone');
axis equal;axis([0,200,0,200]);title('圆形密度均匀30*30')subplot(1,3,1);
pcolor(p1(:,:,k));
shading interp;
colormap('bone');
axis equal;axis([0,200,0,200]);title('非均匀')subplot(1,3,3);
pcolor(dp(:,:,k));
shading interp;
colormap('bone');
axis equal;axis([0,200,0,200]);title('均匀')
end
function p=p_(c1,c2,q1,q2)
global Nx Ny Nt dx dy dt
Nx=300; Ny=300; Nt=900;%设置采样点数,采样时间点数
dx=1e-4;    %x方向和Y方向的步长
dy=1e-4;     %空间步长
dt=1e-8;   %时间步长
f=1e6;      %激励频率
%基础条件设定完成
ux=zeros(Nx,Ny,Nt);
uy=zeros(Nx,Ny,Nt);
p=zeros(Nx,Ny,Nt);
cx=zeros(Nx,Ny,Nt);
cy=zeros(Nx,Ny,Nt);
D=@(v)[0;(v(2:end-1)-v(1:end-2));0];
D1=@(v)[0,(v(2:end-1)-v(1:end-2)),0];
D2=@(v)[(v(2:end)-v(1:end-1)); 0];
D3=@(v)[(v(2:end)-v(1:end-1)),0];
for k=1:Nt-1p(100,100,k)=sin(2*pi*f*k*dt);  %中心声源点for j=1:Nxif (j-100)^2<=900c=c1;   q=q1;              else c=c2; q=q2;                %介质end      ux(:,j,k+1)=ux(:,j,k)-dt/(dx*q)*D(p(:,j,k));uy(j,:,k+1)=uy(j,:,k)-dt/(dy*q)*D1(p(j,:,k));cx(:,j,k+1)= D2(ux(:,j,k+1));cy(j,:,k+1)= D3(uy(j,:,k+1));endfor i=1:Nxfor j=1:Nxp(i,j,k+1)=p(i,j,k)-(q*c^2*dt*(cx(i,j,k+1)/dx+cy(i,j,k+1)/dy));endend
end                  
end

图像如下:
在这里插入图片描述
当然为了直观也可以画二维数值图像
代码如下:

figure (2)
for k=1:4:Nt
plot((p(100,:,k)));axis([0,200,-1,1]);
drawnow;
end

在这里插入图片描述
这是声波方程的时域差分的数值计算,通过在循环中改变密度速度来改变传播介质。此代码没有施加吸收边界,因此瞬态声波传导到边界后会发生反射。邮箱dynyanhao@163.com

这篇关于利用matlab编程实现的声波的时域差分方程的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/202324

相关文章

Python使用Tenacity一行代码实现自动重试详解

《Python使用Tenacity一行代码实现自动重试详解》tenacity是一个专为Python设计的通用重试库,它的核心理念就是用简单、清晰的方式,为任何可能失败的操作添加重试能力,下面我们就来看... 目录一切始于一个简单的 API 调用Tenacity 入门:一行代码实现优雅重试精细控制:让重试按我

Redis客户端连接机制的实现方案

《Redis客户端连接机制的实现方案》本文主要介绍了Redis客户端连接机制的实现方案,包括事件驱动模型、非阻塞I/O处理、连接池应用及配置优化,具有一定的参考价值,感兴趣的可以了解一下... 目录1. Redis连接模型概述2. 连接建立过程详解2.1 连php接初始化流程2.2 关键配置参数3. 最大连

Python实现网格交易策略的过程

《Python实现网格交易策略的过程》本文讲解Python网格交易策略,利用ccxt获取加密货币数据及backtrader回测,通过设定网格节点,低买高卖获利,适合震荡行情,下面跟我一起看看我们的第一... 网格交易是一种经典的量化交易策略,其核心思想是在价格上下预设多个“网格”,当价格触发特定网格时执行买

python设置环境变量路径实现过程

《python设置环境变量路径实现过程》本文介绍设置Python路径的多种方法:临时设置(Windows用`set`,Linux/macOS用`export`)、永久设置(系统属性或shell配置文件... 目录设置python路径的方法临时设置环境变量(适用于当前会话)永久设置环境变量(Windows系统

Python对接支付宝支付之使用AliPay实现的详细操作指南

《Python对接支付宝支付之使用AliPay实现的详细操作指南》支付宝没有提供PythonSDK,但是强大的github就有提供python-alipay-sdk,封装里很多复杂操作,使用这个我们就... 目录一、引言二、准备工作2.1 支付宝开放平台入驻与应用创建2.2 密钥生成与配置2.3 安装ali

Spring Security 单点登录与自动登录机制的实现原理

《SpringSecurity单点登录与自动登录机制的实现原理》本文探讨SpringSecurity实现单点登录(SSO)与自动登录机制,涵盖JWT跨系统认证、RememberMe持久化Token... 目录一、核心概念解析1.1 单点登录(SSO)1.2 自动登录(Remember Me)二、代码分析三、

PyCharm中配置PyQt的实现步骤

《PyCharm中配置PyQt的实现步骤》PyCharm是JetBrains推出的一款强大的PythonIDE,结合PyQt可以进行pythion高效开发桌面GUI应用程序,本文就来介绍一下PyCha... 目录1. 安装China编程PyQt1.PyQt 核心组件2. 基础 PyQt 应用程序结构3. 使用 Q

Python实现批量提取BLF文件时间戳

《Python实现批量提取BLF文件时间戳》BLF(BinaryLoggingFormat)作为Vector公司推出的CAN总线数据记录格式,被广泛用于存储车辆通信数据,本文将使用Python轻松提取... 目录一、为什么需要批量处理 BLF 文件二、核心代码解析:从文件遍历到数据导出1. 环境准备与依赖库

linux下shell脚本启动jar包实现过程

《linux下shell脚本启动jar包实现过程》确保APP_NAME和LOG_FILE位于目录内,首次启动前需手动创建log文件夹,否则报错,此为个人经验,供参考,欢迎支持脚本之家... 目录linux下shell脚本启动jar包样例1样例2总结linux下shell脚本启动jar包样例1#!/bin

go动态限制并发数量的实现示例

《go动态限制并发数量的实现示例》本文主要介绍了Go并发控制方法,通过带缓冲通道和第三方库实现并发数量限制,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面... 目录带有缓冲大小的通道使用第三方库其他控制并发的方法因为go从语言层面支持并发,所以面试百分百会问到