Search

Understanding the rise and evolution of turbulence is an important component of designing vehicles and turbomachinery that both have long life and are efficient. To this end, researchers study the complex phenomenon of turbulence. Free-stream turbulence against a flat plate is a common research area in fluid dynamics where one goal is to understand the transition from laminar to turbulent flow when colliding with a physical plate. There are several methods that have been tested, each based on a physical property of the flow, and each with respective advantages and disadvantages. One such issue is that of thresholding, which leads to flickering in animations. In this thesis, attempts to identify the turbulence is done by extracting the extrema of the flow data, followed by applying a Gaussian smoothing using Kernel Density Estimation to create a "density" field based on the spatial positions of the identified extrema. The method in this thesis is applied both in 2D and 3D, where the 3D results are visualized in both 2D and 3D perspectives. The results are then analyzed from the perspective of the smoothing method and compared against both earlier results from previous methods and the original data. Results of the method show that the extrema indeed can be be used to identify turbulent regions of the flow data. However, there were small turbulent regions visible in the original data that did not appear in the results of this thesis. When applying the kernel smoothing, a bandwidth (smoothing parameter) of 4:5 X 10-3 was used for the entire data set. Binary results from this choice of bandwidth were possible through thresholding, however, slight flickering is still observable. It is suggested that a larger bandwidth would give better results. The visual 3D results support the hypothesis that the extrema can be used to distinguish between laminar and turbulent regions of flow, and applying the smoothing method only on 2D slices gave better results when looking from a 2D perspective compared to the 3D method, which had some misleading results. Att förstå ursprung och utveckling av turbulens är en viktig komponent i konstruktion av fordon och turbomaskiner som båda har lång livslängd och som är effektiva. För detta ändamål studerar forskare det komplexa fenomenet turbulens. Fri-ström turbulens mot en platta är ett vanligt förekommande forskningsområde inom strömningsdynamiken där målet är att förstå övergången från laminärt till turbulent flöde vid kollision med en fysisk platta. Det finns flera metoder som har tillämpats för detta problem, var och en baserad på en viss fysikalisk egenskap av strömmen och var och en med sina respektive för- och nackdelar. Att hitta ett bra tröskelvärde vid visualisering av resultaten är en vanlig utmaning som bidrar till flimmer och icke-sammanhållning i animationer. I denna uppsats görs försök att identifiera turbulens genom att extrahera extrempunkterna av strömingsdatat, följt av att applicera en gaussisk utjämning med hjälp av Kernel Density Estimation för att skapa ett densitetsfält över extrempunkternas fysiska position. Metoden i denna uppsats appliceras i både 2D och 3D, där de 3D resultaten visualiseras både i 2D och 3D. Dessa analyseras sedan utifrån utjämningsmetodens perspektiv och jämförs både med tidigare resultat från tidigare metoder och originaldatat. Resultaten visar att extrempunkterna verkligen kan användas för att identifiera turbulenta regioner i strömningsdatat. Däremot fanns några små turbulenta områden som inte kunde identifieras av methoden i denna uppsats. Vid tillämpning av utjämningsmetoden användes en bandbredd (utjämningsparameter) på 4:5 X 10-3 för hela datasetet. Binära resultat från detta val av bandbredd var möjliga genom att hitta ett tröskelvärde, men lätt flimmer kunde fortfarande observeras. Det föreslås att en större bandbredd skulle ge bättre resultat. De visuella 3D-resultaten stöder hypotesen att extrempunkterna kan användas för att skilja mellan laminärt och turbulent ström, samt att tillämpning av utjämningsmetoden endast på 2D-skivor ger bättre resultat än metoden i 3D, för resultat i 2D.

Household robotics is on the rise with robotic vacuum cleaners taking the lead. One of the challenges in creating great robotic vacuum cleaners is path planning for coverage of the room. For instance, the robot might not know how the environment looks, or where in the room the robot is. Three path planning algorithms are tested: the random path algorithm, the snaking algorithm and the spiral algorithm. In our simulations the random algorithm was initially faster than the snaking algorithm. However, the random algorithm's performance worsened and it performed similar to the snaking algorithm in the end. The spiral algorithm performed worse than the other tested algorithms. The random algorithm showed a more stable performance than both the snaking and spiral algorithms. However, we believe that the spiral algorithm could be complemented with other algorithms. Errors in the results could possibly come from the method used in the software to detect wall collisions. Future research could improve the software and also cover collision with objects in rooms and rooms of other shapes. We concluded that the random algorithm performed best in our simulations and questioned the practical use of more advanced algorithms. Antalet robotar i hemmet ökar i världen och robotdammsugaren är ett populärt val. Bra ruttplaneringsalgoritmer är en av utmaningarna för att tillverka bra robotdammsugare. Exempelvis behöver inte roboten känna till sin position i ett rum eller ens känna till rummets utseende, hur ska utvecklare gå till väga? Tre ruttplaneringsalgoritmer har testats: en slumpartad algoritm, en sicksack-algoritm och en spiral-algoritm. I våra simuleringar fann vi att den slumpartade algoritmen var initialt snabbare än sicksack-algoritmen. Dock försämrades slumpalgoritmen över tid och till slut gav result likt de vi såg för sicksack-algoritmen. Spiral-algoritmen gav sämre resultat än de två övriga testade algoritmerna. Slumpalgoritmen hade mindre avvikelse än både spiral-algoritmen och sicksack-algoritmen. Vi tror att spiral-algoritmen skulle kunna kombineras med andra algoritmer för att ge bättre resultat. Fel i våra resultat kan bero på hur vi upptäcker väggkollisioner i simuleringarna. Framtida forskning kan förbättra och utveckla mjukvaran samt testa rum med varierande utseende. Sammanfattningsvis var slumpalgoritmen bäst i våra simuleringar och vi ifrågasätter den praktiska användbarheten hos andra mer avancerade algoritmer.