Convolutional PML slabše kot PML Split-Polje ...

[Winn]

Hej ljudje, njegov malo čudno mi je, da je C-PML od Gedney slabše od starih in klasične PML algoritmov, kot so Split pogojev in enoosnega, celo razpad je čudno. Mislim, da sem izvajal nekaj narobe ... Prosim, poglejte v PML Comparison.pdf znotraj zip datoteke. Boste našli štiri PPD algoritme kot datoteke Matlab na zadrgo in z Splitsko-področju iz Berenger in enoosnega in Convolutional PML iz Gedney in četrtega se ne morem spomniti, od katerih je bilo, skoraj popoln PML. Ta predlog in razmislek izračun se doda kot dobro. Upam, da kdo nima pojma, kaj sem storil narobe. Če nekaj v izvorni datoteki ni jasno, prosim povej mi. Glede Winn

 

[iyami]

Ne vem, MATLAB, da morda sem narobe razumel kodo, ampak je možno, da vaš razvrstitev na vrhu in na dnu niz ni pravilna. Če iščete na celicah yee na vrhu in na dnu, nato na vrhu naj hfield višje, kot jih sigmas efield, medtem ko je na dnu nasprotno je res.

 

[Winn]

[Quote = iyami] Ne vem, MATLAB, da morda sem narobe razumel kodo, ampak je možno, da vaš razvrstitev na vrhu in na dnu niz ni pravilna. Če iščete na celicah yee na vrhu in na dnu, nato na vrhu naj hfield višje, kot jih sigmas efield, medtem ko je na dnu nasprotno je res. [/Quote] Najprej, Matlab uporablja isto polje indeksiranje kot Fortran ali jasno povedal, Prvi element je acces preko [1]. Drugič, za moje razumevanje, je prvi in ​​zadnji prevodnost na električno omrežje je neskončno zaradi meje PEC. In naj nazadnje prevodnost na magnetno mrežo biti neskončna, pa tudi zaradi svojega položaja "v ozadju" v PKO stene. Oba pogoja sta izvajajo zanemarili vrednosti polja v za-loop-območju. Sem dodal prevodnost razvrstitev kot parceli ... je ocenjevanje, kot ste omenili?

 

[iyami]

Razvrščanje izgleda prav. Zamudil sem -1 v skladu

 xhalpha (1, i-1) = alpha_max * (abs (xhlength (1, i)-xdim * delta) / (debelina * delta)) ^ exp_alpha;

Vaši rezultati videti res čudno. Jaz v glavnem uporabljajo CPML lahko upravljate več ali manj poljubno materialov. Nisem ga primerjali s sistematično katerokoli PMLs. Ampak, ker boste dobili enake rezultate za SPML in UPML ter NPML in CPML se zdi, da bi svoje izvajanje, da je pravilna. Možno je, da ste zadeli na primer, kjer PML le zgodi, da je bolje. Ena razlika med SPML in CPMLis, da je nekdanji uporablja linearno diskretizacije za gnilobe, medtem ko CPML uporablja eksponentno diskretizacije. Mogoče je samo, da se za razvrščanje ki ste ga uporabili linearni diskretizacija je bolje, vendar se mi zdi, da je težko verjeti. Če najdem čas, bom znova vaših testov v C in si oglejte ta vikend. Prosim, pustite me, če boste izvedeli, zakaj premoč SPMLs. Še zadnja predlog. Zmogljivost CPML je morala izboljšati (glede na SPML), če postavite vir bližje meji. Če se to ne zgodi, potem lahko pride do napako. Če je temu tako, potem bi to podpirajo domnevo, da je vaš izvajanje pravilno.