流体存储元件

❶ 第六讲：流体模拟- 流体力学基础

所谓的流体就是流动的气态、液态甚至固态的物体，比如空气、水、沙子等，这是经典物理里面目前还依然没能成功攻克的难题。

普通物体的形变可以分成三种：

而流体一个方面很难做到前面两种形变，另一个方面则十分容易发生第三种形变，因为这个性质的存在，导致计算机模拟变得很困难，因为：

流体问题可以从空间跟时间两个角度来看待，尺度有：

根据不同的尺度，有不同的模拟方式：

游戏模拟中常用的方式是后面两种，这两种模拟方式各有千秋，这里会优先介绍大尺度下的模拟方式，后面有时间再介绍Kinetic theory方法。

宏观尺度下流体模拟的一个核心思想是Field View，即场视角，也就是说对于流体中任意一点的物理量（如速度、温度、密度、压强等）并不是固定的，而是与对应点位置相关的一个数值。

NS方程本质上是牛顿第二定律：

在流体中，速度是一个向量场 ，数值随时间、位置发生变化。

在流体中，我们对速度u进行求导，得到的不是加速度（回顾下加速度的定义，单位时间内速度的变化量），举个例子，某个小船在水面上行驶，其加速度可以按照下面方式进行推导。

首先原始的速度为 ，经过 之后，其速度就变成了 ，加速度就变成了：

用泰勒展开就变成了：

这个加速度叫Material Derivative，这个公式中，前面一项表示的是时间不变，空间上的速度变化，后面一项则是空间不变（即小船待在原地不动）随着时间流逝带来的速度的变化。

加速度有了，那么质量怎么来定义呢，流体没有单个点的只能，只能用单位体积的质量（也就是密度 ）来表示，那么我们有：

上面的V是流体的体积（ )，而 可以看成是力的密度：

在上面这几项力的作用下，我们就戚肆有最终的NS方程：

在很多流体模拟中， 很小趋近于0，所以通常直接省略最后面一项。

这个方程中，u是不知道的，压强P也是不知道的，密度也是不知道的，但是只有一个方程，因此是不足以求解的，要想求解，还需要补上两个方程。

根据质量守恒方程，我们有（难受，这里没听到，看了半天也没看出来是如何推导的，后面有机会再补上对应的说明）：

这个公式可以变化成（也错过了这个变化的推导，-_-||）：

最后我们将两者合并，得到：

由于质量不能为负，所以我们有：

也就是：

而等式左边前面两部分（为什么？参考前面提到的Material Derivative）又可以表示成： ，所以我们有：

而基于流体的不可压缩性原理，我们可以得到速度的梯度为0：

好了，有了上面这些条件，我们就可以着手来求解NS方程了，这里介绍一种经典的解法（也就是Houndini中的解法），即通过time integrator的方式来求解，对NS方程进行分析，我们可以知道，整个方程中只有第一项 是跟时间有关系的，也就是说，我们可以将这一项按照时间写成如下形式：

接下来只需要将NS方程中剩下的几项估计出来，就能求得 ，但是由于这里有多项需要估计，且压强是不可知的，我们要如何进行估计与求解呢？

这里常用的一种方法叫做Operator Splitting，简单来说，如果我们有一个简单的微分方程：

根据显示欧拉方程，我们转换一下就是：

这个公式可以将之拆分成两步来求得：

我们知道，显蠢运式欧拉跟隐式欧拉之间的区别在于右边的函数使用的x是 还是 ，其实都是一种近似，而在这里我们也可以用其他的x来近似，所以这里我们可以将上面的第二个式子改写成：

所以问题就变成了，我们需要求解两个简单的微分方程：

回到NS方程来说，我们就可以采用同样的思想将之拆解成四个步骤的简单微分方程的求解（实际上，最后一项粘稠性非常小，可以先暂时忽略）。

首先，我们先看左边的一项：

右边的 是u的梯度，也就是空间中的微分，一种最简单的方式（经典软件使用的方法会更复杂） 就是将一块区域想高档轿象成由格子来定义的场，每个采样点都落在格子的顶点上，那么通过 就能求解出

之后就可以用显式欧拉的方法来求解出 了，不过由于显式欧拉本身不稳定，会不断震荡跑飞，而如果用隐式欧拉，则需要求解非线性方程，加大了复杂度。

而上面这个方程其实可以表示成：

可以想象有个particle在流体中流动，如上图中所示，从格子上顶点流动到右上角的红点上，也就是说，上面公式的物理意义在于，在经过这个流动之后，两者的速度并不会发生变化，也就是说我们可以采用一种叫做Semi-Lagrangian的方法来求解。

以上图进行说明，假设我们想要知道上图中绿色方框中的一点的速度，我们假设这一点是来自于图上五角星位置，那么我们就可以知道上一个timestep上五角星位置跟当前timestep上绿色box位置的速度是相同的，这里有两个问题：

这种算法的好处在于：

经过这一步计算之后，我们就根据 得到了 ，接下来我们考虑右边的第一个式子：

由于右边是一个常量，因此这个公式可以直接使用显式欧拉求解得到，从而得到了 ，接着再看下一个式子：

由于我们不知道压强P，所以需要将流体的不可压缩特性用起来，也就是说，用近似公式，我们有：

而由于 （注意，这里的梯度是空间上的差分或者微分），也就是：

根据这个式子我们有：

这个公式叫做Pressure Projection，也就是说，我们有一个压强P，这个参数存在于上图中的格子的顶点上，而这个数据我们就可以通过有限差分公式估计出其二阶导数，而由于这个方程中我们不知道压强P，而密度 是常量（不可压缩）， 也是已知常量，而 是上一步计算得到的结果，所以我们就可以求解得到P（线性方程组求解），将这个代入前面的公式，我们就能够得到 。

这了需要注意的是，我们用P来估计 ，采用的是 ，而这个有限差分估计出来的结果实际上是上图中顶点中心处的数值，用这个数值估算出来的 也就是中心位置的速度，这就是为什么所有的流体算法将上图中的格子叫做Staggered Grid，也就是速度是存放在格子的每条边的中点位置上的。

求解就是这个过程，这里需要说几点：

也就是说 最小的时候我们得到最优解，但是由于不可压缩性，我们需要满足：

而这种条件我们就需要使用Lagrangian Multiplier方法来求解，其求解得到的结果跟前面Operator Splitting得到的结论是一样的，从这个角度来看，压强P不是一个真正的物理量，而是一个力，其作用是使得上面的流体具有不可压缩性，也就是说用来反抗流体中的每一点的速度变化的（惯性力）。

另外需要介绍的是流体在一个容器内流动的边界条件：

下面来介绍一下游戏中常用的SPH（Smoothed Particle Hydrodynamics，最开始来自于一些核试验模拟领域）算法，因为NS中的线性方程组的求解很难做到实时，而很多电影特效中常用的就是NS Solver方法（为什么，因为精度更高吗？）

SPH的思想是，我们将流体看成是一堆particle，想象particle可以在其中移动，我们可以为每个particle赋予一套物理量，假设我们称之为

假设我们知道了每个粒子上的物理量，那么对于任意一个位置x，我们就需要能计算出其物理量 ，从而计算得到其gradient，甚至二阶gradient（Laplacian），我们就能将这些数据代入NS方程中，完成粒子上速度的更新，从而用这个速度对粒子进行移动，就能得到下一个timestep的粒子。

也就是说，其中心思想是根据粒子的物理量，求解出整个场域的物理量。

这个算法中最核心的东西就是一个 ，这不是一个函数，而是一个分布：

在x=0处有一个非零值，其他位置结果为0，定义可以表示为：

实际上这个分布是一个理想的分布，现实中是没有的，也不好给出表达式，而我们可以近似一下，给出如下的近似分布：

这里的W称之为kernel函数，h用来控制上面近似分布的宽度，h越大，分布越宽。

有了这个近似的分布函数，我们就可以表达f(x)，也就是对于任何的x，我们可以将f(x)表达为一个求和项：

最后的 是权重，而W是kernel函数，我们是知道其表达式的，而这个函数在|y-x|大于某个范围的时候，这个函数返回为0。

这里我们先不管f表示的是什么，就先看成是任意的物理量，我们推导出任意位置的f(x)， 跟 ，就可以将实际的物理量（比如速度、压强）代入进去，并放在NS方程中，就能得到 ，并根据这个速度对粒子进行移动，就能得到下一个timestep的初始数据，完成了一轮迭代。

令r = y - x，我们可以给出W的一个示例函数：

其中 。

上面已经给出了f(x)的求和项，那么其gradient就可以在前面公式两边加一个gradient就行，那么由于 是常量， 也是不变的，那么gradient就施加在W上，但是这样的做法虽然形式上没问题，实际上我们在执行中就会发现运行出来的结果就会爆掉（表现跟显式欧拉一样），这是因为粒子在移动过程中，有些地方粒子会密集一点，有些会稀疏。

在密集的位置，这个积分变成求和的近似是相对准确的，但是稀疏区域的近似就不准确，就会导致数值上的震荡，即误差会不断累计，导致爆掉。

所以，这个给我们的启发就是在密集区域，可以按照这种方式来求取，但是在稀疏的区域就需要另外处理，也就是首先我们得知道各个位置的粒子密度，我们需要先计算 ，也就是用粒子的密度来对物理量进行归一化。

假设我们定义粒子的密度为：

其中 表示的是j点的质量，

那么用链式法则（复合函数的微分）展开就可以得到：

变换一下就得到了：

右边有两个gradient，我们就可以用前面的求和（可能导致不稳定的）公式分别来近似这两个式子

表示的是某个位置的质量，可以用这个位置的密度乘上其权重算得。

最后得到一个表达式(定义在任意一个粒子上的位置，而非任意位置）：

而这个式子则能够避免简单gradient导致的不稳定问题，因为用这个公式计算，可以保证动量是守恒的。对于上面的式子，每个粒子的动量之和有：

上面式子中的压强来自于NS方程（除以了等号左边的密度）， 表示的是由于压强（内力）导致的速度变化。因为如果流体的速度的变化是由于内力（即压强，准确来说是压强的梯度）导致的，那么就可以保证动量是守恒的。

移除同类项：

将前面 的求和式子代入 就有：

那么这个等式为什么成立呢？

同样，我们就可以求得Laplacian式子，这个有很多个版本：

另一个常用的版本为：

其中d表示的是维度，2维则取值为2，另：

有了一阶二阶梯度公式之后，我们再来求解NS方程：

根据Operator Splitting的思想，我们分步进行处理，首先：

根据前面的推导，右边的式子中我们都是知道的（ 是dynamic viscosity），我们就能够通过显式欧拉的方法完成速度的求解。此外，这个过程对于每个粒子而言是完全独立的，因此可以放在GPU上来计算。

之后根据 计算出 ，压强跟密度有很多种映射表达方式，这里选取最简单的一种：

其中 表示的是期望的密度，选取这种方式的好处在于各个粒子之间的计算是相互独立的方便GPU并行。

另外，这个公式也就说明了虽然我们一直在说流体的不可压缩性，但实际上如气体在空间中的流动，其密度是会发生变化的，而这个公式实际上相当于添加了一个惩罚项，目的是维持流体的不可压缩性。

当然，学术界也有其他的表达式是能确保流体的不可压缩性的，但是这类的方法会导致需要进行多轮迭代才能输出结果，从而打破了GPU的并行性，这也是SPH方法尴尬的地方，虽然是想要设计成GPU并行的，但是却没有办法真正并行。

再之后就求解：

并根据这个式子完成速度u的更新。

最后根据：

求得更新后的位置。

下面来介绍一下Lattice Boltzman Method。

这个方法是上个世纪七十年代就已经提出来的方法，这个方法来自于Kinetic Theory（统计物理学），之所以这么久以来一直不温不火是因为这个方法不够精确，但是2006年左右出现了一系列的方法提升了这个方法的精确性。

而且这个方法本身没有迭代的过程，十分适合GPU并行计算。

统计学中的一个概念叫做Distribution Function（分布函数） ，这个函数的三个参数分别对应位置、速度与时间，表示的是随着三个参数的不同，某种现象发生的概率，这里我们考虑的是流体中微观层面（如布朗运动）现象的概率，比如在任何时间t在位置x处观察到的以速度 移动的空气分子的概率（或者密度）。

对这个函数沿着速度（三维）进行积分，就能得到当前时刻对应位置处的空气分子的密度（这是一个标量）：

而这个公式可以称之为0阶动量（0-th momentum)，而一阶动量则可以表示为：

这里的u是宏观层面的速度（即NS方程中的速度），其实左边项可以看成是微观层面的速度乘以微观的速度（密度），积分之后就是宏观层面的动量了，这个结果是一个向量。

从上面两个公式也可以窥见，LBM方法的要点就是抛开宏观层面的计算，我们关心微观层面的概率分布函数是什么样的。

我们先来看下，概率分布函数的微分形式应该是什么样的：

上面式子中的F是外力（其实是加速度，这里假设质量为1）， 叫做Collision Operator，如果这个函数是知道的，那么后面这个等式被叫做Boltzman Equation，不过历史上大家是不知道这个公式是什么样的，因此大家会通过一些条件来推测一些经验公式。

根据这三个条件，大家凑出一个模型，叫做BGK Model：

这个公式中 是时间的常量，而 则是将气体在静止很长一段时间之后，温度达到平衡之后，对应的distribution function。

右边的等式就是一个常微分方程，手算之后其结果输出为：

这个公式的意思是，随着时间的推移，概率将会以指数的形式递减，最终达到 ，流体密度越大， 越小，越快达到平衡，也就是说， 控制的是流体的粘性。

BGK方法虽然简单，但是有一个比较显着的问题在于准确性与真实情况相去甚远，毕竟是拼凑出来的公式，后面大家观察到，这个不准确性来自于，我们这里将f看成是一个随着时间均匀趋向平衡的函数，但是实际上f代表的各个特性，如质量、动量以及能量（也就是不同阶数的梯度）其趋向平衡的速度是不同的。

基于上述发现，2006年之后出现了一系列新的方法大大提升了整个方案的精确性（当然也会变得更为复杂），时间关系，这里就不做扩展。

不管怎么说，我们都有了一个Collision Operator，接下来要做的事情就是根据timestep对其进行积分以求得f。

先来看一个叫做Hermite Interpolation的方法，以2D Domain为例，我们将流体场域分成Grid，每个顶点上对应的就是位置x，对于每个顶点而言，我们存储的不是一个数值，而是多个数值，每个数值对应的f在同一时刻下不同方向下的数值 （即不同速度的概率？），这些方向分别对应于当前顶点指向相邻顶点（加上自身），总共9个方向，因此总结为D2Q9，在3D情况下，就是D3Q27等等。

下面我们看下，如何根据Collision Operator求得f。

同样，这里采用Splitting Operator。

先考虑前两项：

这个就是advection equation，在NS方程求解的时候，advection是速度场，当时是使用Semi-Lagrangian方法求解的，而这里更为简单，考虑刚才的格子D2Q9，如果我们只考虑一个方向的分量，按照Semi-Lagrangian方法，由于顶点上存储的指向各个相邻顶点的速度其长度正好在一个timestep上走到了相邻顶点上，因此对于相邻顶点在当前timestep的物理量就根本不用求解，只需要将此顶点上的物理量拷贝过去即可，从而就能完成这个方程的求解（文献中称之为Streaming）。

最后考虑剩下的部分，在刚才计算的结果上加上Collision Operator（这个是已知的，前面说过的经验模型）以及外力的作用，就得到了下面的式子

这个方法由于在每个顶点上进行的计算都是完全独立的，因此适合在GPU上计算，适合用在实时场景。

❷ 节流件是能使管道中的流体产生局部收缩的元件 应用最广泛的是什么

节流件扒纤祥是能使管道中的流体产生局部收缩的春搏元件，
应用最广泛的孔板流量计或限流孔板，
当然节流阀应当也是竖吵节流件。

❸ 采样保持器中存储电容的作用

可以将电容分为四类： 第一类： AC耦合电容。主要用于Ghz信号的交流耦合。 第二类： 退耦电容。主要用于保持滤除高速电路板的电源或地的噪声。 第三类： 有源或无源RC滤波或选频网络中用到的电容。 第四类： 模拟积分器和采样保持电路中用到的电容。 电容重要分布参数的有三个：ESR、ESL、EPR。其中最重要的是ESR、ESL，实际在分析电容模型的时候一般只用RLC简化模型，即分析电容的C、ESR、ESL。 1、等效串联电阻ESR RESR ：电容器的等效串联电阻是由电容器的引脚电阻与电容器两个极板的等效电阻相串联构成的。当有大的交流电流通过电容器，RESR使电容器消耗能量(从而产生损耗)。这对射频电路和载有高波纹电流的电源去耦电容器会造成严重后果。但对精密高阻抗、小信号模拟电路不会有很大的影响。RESR 最低的电容器是云母电容器和薄膜电容器。 2、等效串联电感ESL，LESL ：电容器的等效串联电感是由电容器的引脚电感与电容器两个极板的等效电感串联构成的。像RESR 一样，LESL 在射频或高频工作环境下也会出现严重问题，虽然精密电路本身在直流或低频条件下正常工作。其原因是用于精密模拟电路中的晶体管在过渡频率(transition frequencies)扩展到几百兆赫或几吉赫的情况下，仍具有增益，可以放大电感值很低的谐振信号。这就是在高频情况下对这种电路的电源端要进行适当去耦的主要原因。 3、等效并联电阻EPR RL ：就是我们通常所说的电容器泄漏电阻，在交流耦合应用、存储应用(例如模拟积分器和采样保持器)以及当电容器用于高阻抗电路时，RL 是一项重要参数，理想电容器中的电荷应该只随外部电流变化。然而实际电容器中的RL 使电荷以RC时间常数决定的速率缓慢泄漏。 选择电容标准是： 1、尽可能低的ESR电容。 2、尽可能高的电容的谐振频率值。 电解电容器(比如：钽电容器和铝电解电容器)的容量很大，由于其隔离电阻低，就是等效并联电阻EPR很小，所以漏电流非常大 (典型值5〜20nA/μF)，因此它不适合用于存储和耦合。电解电容比较适合用于电源的旁路电容，用于稳定电源的供电。最适合用于交流耦合及电荷存储的电容器是聚四氟乙烯电容器和其它聚脂型(聚丙烯、聚苯乙烯等)电容器。单片陶瓷电容器比较适合用于高频电路的退耦电容

采样是对连续变化的模拟信号定时测量,抽取样值.通过采样,一个在时间上连续变化的模拟信号就转换为随时间变化的脉冲信号.

为了便于量化和编码,需要将每次采样取得的样值暂存,保持不变,直到下一个采样脉冲的到来

简单的说就是实现模数转换时的必须的抽样-保持电路 称为采样保持器.

按这个标准 如果不需要实现模数转换 处理模拟信号的电路 在输入端不需要采样保持器.

如果信号源提供的为模拟信号 信号处理电路时数字电路 那么输入接口就必须要这个了.

(3)流体存储元件扩展阅读：

S/H 有两种工作方式，一种是采样方式，另一种是保持方式。在采样方式中，采样-保持器的输出跟随模拟量输入电压变化。在保持状态时，采样-保持器的输出将保持在命令发出时刻的模拟量输入值，直到保持命令撤销(即再度接到采样命令) 时为止。

此时，采样一保持器的输出重新跟踪输入信号变化，直到下一个保持命令到来时为止。

采样保持电路由模拟开关、存储元件和缓冲放大器A组成。在采样时刻，加到模拟开关上的数字信号为低电平，此时模拟开关被接通，使存储元件（通常是电容器）两端的电压UB随被采样信号UA变化。当采样间隔终止时，D变为高电平,模拟开关断开,UB则保持在断开瞬间的值不变。

缓冲放大器的作用是放大采样信号，它在电路中的连接方式有两种基本类型：一种是将信号先放大再存储，另一是先存储再放大。

对理想的采样保持电路，要求开关没有偏移并能随控制信号快速动作，断开的阻抗要无限大，同时还要求存储元件的电压能无延迟地跟踪模拟信号的电压，并可在任意长的时间内保持数值不变。

通常，采样保持器与采样器、放大器和模数转换器一起构成模拟量输入通道,用于工业过程计算机系统或数据采集系统。现场信号（如温度、压力、流量、物位、机械量和成分量等被测参数）经过信号处理（标度变换、信号隔离、信号滤波等）送入采样器。

在控制器控制下对信号进行分时巡回和多路切换选择，然后经放大器和采样保持电路再送入模数转换器，转换成计算机能接受的二进制数码。

❹ 手机电池是硬盘存储器吗

不是，硬盘存储器是一种有线存储设备，通常它是一种机械装置，由一个机械的磁盘或磁芯物理存储数据；而手机电池则是一种流体存储设备，是由流体电解质组成的可充电电池，其中含有氧化物、电解质以及其他化学物质，能将化学能转换成电能并供用户使用。

❺ 问个组成问题：存储元和存储单元和存储元件他们是什么关系

计算机中主存储器包括存储体M，各种逻辑部件及控制电路等，存储体由许多存储单元组成，每个存储单元又包含若干个存储元件，每个存储元件能寄存一位二进制代码“0”或“1”，存储元件又称为存储基元、存储元。

存储基元即存储元件，是存储单元的分支，能寄存一位二进制代码“1”或“0”，又称存储元件，存储元。

(5)流体存储元件扩展阅读

在存储器中有大量的存储元，把它们按相同的位划分为组，组内所有的存储元同时进行读出或写入操作，这样的一组存储元称为一个存储单元。一个存储单元通常可以存放一个字节；存储单元是CPU访问存储器的基本单位。

计算机中最小的信息单位是bit，即一个二进制位；一个字节Byte由8个二进制位bit组成一个存储单元可以存储一个字节一个存储器可被划分成若干个存储单元举例：1KB的存储器可容纳1024个字节，即它有1024个存储单元，编号从0-1023。

❻ 流体输送设备储槽的常用的分类方法

首先我们先返回至物流仓储设备来，对整体设备做一个详细分类；不管是以自动化、半自动化、机械化的商业仓库进行细分，按用途可分：仓储设备、包装设备、集装单元器具、装卸搬运设备、流通加工设洞悔备、运输设备、信息采集与处理设备；

物流仓库仓储设备货架

物流仓库仓库货架储存设备

1、储存设备

储存设备是用于物资储藏、保管的设备。常用的储存设备有货架、托盘、计量设备、通风设备、温湿滑世度控制设备、养护设备和消防设备等。

2、包装设备

包装设备是完成全部纳让正或部分包装过程的机器设备。使产品包装实现机械化、自动化的根本保证。

主要包括填充设备、罐装设备、封口设备、裹包设备、贴标设备、清洗设备、干燥设备、杀菌设备等。

3、集装单元器具

主要有集装箱、托盘、周转箱和其他集装单元器具。货物经过集装器具的集装或组合包装后，具有较高的灵活性，随时都处于准备运行的状态，利于实现储存、装卸搬运、运输和包装的一体化，达到物流作业的机械化和标准化。

❼ DELL存储产品中PowerVault和EqualLogic区别

戴尔存储已经在过去的三年很长的路要走。我们已被转换
大多经销商的存储成为一个完整的存储技术供应商。存储
一个领域，不仅增强了戴尔公司的技术产品，而且还继续改造
戴尔公司的P＆属

有区别的技术，显着降低总拥有成本驱动

在较高的水平，你可以想想两大类...块和文件存储。座
（SAN）存储基本上是数据库，或者大块的结构化数据。文件（NAS）的
存储基本上所有的休息，从大量数据中个别字非结构化大片
音乐和视频文件的文件。这两种类型的存储增长，快速增长。

十年了，戴尔的存储产品组合涵盖了块和文件存储元件。
我们提供的PowerVault™我们的入门级存储与SAN，NAS和磁带备份自己的行
能力。直到最近，戴尔的存储收入大部分来自中档块
储存在那里我们主要销往中型和大型企业存储经销商。
三年前，我们开始提供收购EqualLogic和我们自己与自己的IP存储
独特的价值主张。

EqualLogic阵列是建立在自动整定，负载平衡的思想，模块化设计
和包容各方的内置软件功能的无缝扩展性。 EqualLogic的
介绍了主意：“没有存储留下来”，即未来戴尔的客户可以下载
无需支付额外的许可费的软件更新。此外，EqualLogic存储连接
要通过以太网（iSCSI存储）其他设备。与以太网预计得到更快，
更快（1GbE，万兆以太网，40GbE ...）在未来的几年里，为的EqualLogic iSCSI需要
存储将只增长。

今天，我们很高兴地宣布，Compellent的技术关闭。 Compellent公司是戴尔
品牌的第一个IP光纤通道存储解决方案。 Compellent公司是建立在“流体理念
数据“ - 一个分层存储的方法，分析数据的使用频率，然后送
要在正确的时间正确应用正确的数据。通过提供自动化，分层
存储和自动精简配置，Compellent公司使用了许多，并大大减少磁盘
降低了TCO。像所有的戴尔存储，客户支付一次，接受未来软件
升级和新功能，因为它们变得可用。

加上戴尔EqualLogic，PowerVault和Compellent的，我们的块和文件存储
每一层856产品从低端到中档产品为中小型企业和公共
到高端企业级产品为大型企业和机构
组织。

去年，我们还收购了两家更多的存储资产，与他们带来重要的知识产权。
Exanet提供向外扩展的文件存储功能，戴尔和行动为我们的第一
时间超出了中档块存储领域并进入中档的竞争环境
文件存储。第二
是陶笛，这让我们内容识别文件的重复数据删除功能，我们计划增加
我们整个存储产品组合随着时间的推移。

这些存储的全部功能调整到我们的其他块和文件存储产品，
驾驶着降低拥有总成本是与我们所有的共鸣很好
客户。请看所附的幻灯片仔细看看，看看所有这些存储元件
结合在一起。

微妙的转型，驱动盈亏影响巨大

就在外面，看起来大多数人来说，似乎在我们的储存最佳微妙的转变，
甚至给人印象不深。对于2009财年全年，戴尔的存储收入为2.7B。通过
在2011年年底，戴尔的存储收入下降至2.3b作出 - 两年多14％的收入下降。

不容易看到的人在外面，但是，我们的规模和结构的大小
转移到戴尔品牌的存储和对戴尔的P＆属巨大影响作为供应商的
独特的IP主场迎战经销商，戴尔存储毛利率百分之已超过一倍，
过去两年，每个季度继续增长。而且，在相同的两年期间
09年到2011年，总存储毛利率美元上升近50％。

戴尔品牌的存储至今已近两年，戴尔入库税收占三分之二多
超过80％的戴尔存储毛利率。

尽管整体存储收入在过去两年来的衰退，它已被大多
在经销商所抵消收入下降，戴尔品牌的存储在同一增长
一段时间。作为一个例子，EqualLogic存储收入复合年增长率
超过50％，在过去的两年。我们预计在一段时间内保持这些增长速度，
当我们添加到我们的产品组合Compellent的，Exanet和陶笛产品，我们希望戴尔
存储最终将从一个新的基准。

材料出自：http://en.community.dell.com/dell-blogs/dell-shares/b/dell-shares/archive/2011/02/22/dell-storage-dell-equallogic-powervault-and-now-compellent.aspx

❽ 什么是过流元件

过流元件又称流通元件，是流体机械中芦唯前最基本的元件。为使流体在管网(通风网或排水管山辩路)中流动，需要原动机传给流体一定能量、以克服各陪清种流力损失和提供必要的位能。过流元件就是为适应这一需要而没置的一组元件。流体在这些元件中流动，这些元件将原动机的机械能传递给流体，转化为动能和位能。