Effect of liquid–air interface on particle cloud dynamics in viscous liquids

2021 ◽  
Vol 33 (6) ◽  
pp. 063306
Author(s):  
S Harikrishnan ◽  
Pallab Sinha Mahapatra
Keyword(s):  
Particle Cloud ◽  
Viscous Liquids ◽  
Air Interface ◽  
Cloud Dynamics

Large-Eddy Simulation (LES) of settling particle cloud dynamics

2014 ◽  
Vol 67 ◽  
pp. 65-75 ◽  
Author(s):  
Ruo-Qian Wang ◽  
Adrian Wing-Keung Law ◽  
E. Eric Adams
Keyword(s):  
Large Eddy Simulation ◽  
Particle Cloud ◽  
Settling Particle ◽  
Eddy Simulation ◽  
Cloud Dynamics ◽  
Large Eddy

Particle cloud dynamics in stagnant water

2020 ◽  
Vol 125 ◽  
pp. 103197
Author(s):  
Fardin Sharif ◽  
Amir Hossein Azimi
Keyword(s):  
Particle Cloud ◽  
Stagnant Water ◽  
Cloud Dynamics

Scaling Particle Cloud Dynamics: From Lab to Field

2015 ◽  
Vol 141 (7) ◽  
pp. 06015006 ◽  
Author(s):  
Ruo-Qian Wang ◽  
E. Eric Adams ◽  
Adrian Wing-Keung Law ◽  
Adrian C. H. Lai
Keyword(s):  
Particle Cloud ◽  
Cloud Dynamics

FRACTALIZATION OF CONVECTIVE FLOW UPON VERTICAL GROOVED DISC/AIR INTERFACE

2020 ◽  
Vol 27 (3) ◽  
pp. 267-288
Author(s):  
Tahar Boussoukaia ◽  
Belkacem Draoui ◽  
M. Hamouda
Keyword(s):  
Convective Flow ◽  
Air Interface

SIMULASI NEURAL NETWORK UNTUK PREDIKSI LOKASI USER PADA MOBILE NETWORK

2016 ◽  
Vol 9 (1) ◽  
Author(s):  
Alexander Driyarkoro ◽  
Nurain Silalahi ◽  
Joko Haryatno
Keyword(s):  
Neural Network ◽  
Mobile Station ◽  
Mobile Network ◽  
Learning Rate ◽  
Noise Factor ◽  
Optimal Learning ◽  
Air Interface ◽  
Location Area ◽  
Optimal Learning Rate

Prediksi lokasi user pada mobile network merupakan hal sangat penting, karena routing panggilan pada mobile station (MS) bergantung pada posisi MS saat itu. Mobilitas MS yang cukup tinggi, terutama di daerah perkotaan, menyebabkan pencarian (tracking) MS akan berpengaruh pada kinerja sistem mobile network, khususnya dalam hal efisiensi kanal kontrol pada air interface. Salah satu bentuk pencarian adalah dengan mengetahui perilaku gerakan yang menentukan posisi MS. Dari MSC/VLR dapat diketahui posisi MS pada waktu tertentu. Karena location area suatu MS selalu unik dari waktu ke waktu, dan hal itu merupakan perilaku (behaviour) MS, maka dapat dibuat profil pergerakannya. Dengan menggunakan Neural Network (NN) akan diperoleh location area MS pada masa yang akan datang. Model NN yang digunakan pada penelitian ini adalah Propagasi Balik. Beberapa parameter NN yang diteliti dalam mempengaruhi kinerja prediksi lokasi user meliputi noise factor, momentum dan learning rate. Pada penelitian ini diperoleh nilai optimal learning rate = 0,5 dan noise factor = 1.

Particle cloud kinetics in microgravity

1987 ◽  
Author(s):  
A. BERLAD ◽  
N. JOSHI ◽  
H. ROSS ◽  
R. KLIMEK
Keyword(s):  
Particle Cloud
Sign in / Sign up

Export Citation Format

Share Document