• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Física
    Nueva fase de modelado de los efectos de acoplamiento viscoso del flujo de fluido multifásico

    Predicción de la permeabilidad multifásica en la garganta de los poros mediante el uso de una red neuronal artificial. Crédito:I2CNER, Universidad de Kyushu

    Muchas aplicaciones, incluido el almacenamiento de dióxido de carbono y la recuperación de petróleo, implican el flujo simultáneo de dos o más fases de materia (sólido, líquido, gas, etc.) a través de materiales porosos. El modelado a escala de poros de dicho flujo multifásico ha luchado por capturar fenómenos importantes denominados efectos de acoplamiento viscosos. Pero ahora, un equipo de investigación ha desarrollado un método que supera esta limitación con aplicaciones potenciales para mejorar las tecnologías de combustibles y los sistemas de captura de carbono.

    En un estudio publicado este mes en Avances en los recursos hídricos , Los investigadores dirigidos por el Instituto Internacional para la Investigación de Energía Neutra en Carbono (WPI-I2CNER) en la Universidad de Kyushu presentan una forma de incorporar efectos de acoplamiento viscosos en el modelado a escala de poros del flujo multifásico.

    Una técnica común para estudiar dichos flujos multifásicos es el modelado de redes de poros (PNM), mediante el cual se resuelven ecuaciones de transporte simplificadas para geometrías de poros idealizadas. PNM se puede utilizar para estimar rápidamente las propiedades de transporte, pero descuida los efectos de acoplamiento viscosos. Un enfoque alternativo es el método de celosía de Boltzmann (LBM), mediante el cual las ecuaciones que gobiernan el flujo de fluido se resuelven para geometrías de poros realistas. Aunque el LBM puede capturar efectos de acoplamiento viscosos, es extremadamente ineficiente desde el punto de vista computacional.

    El equipo detrás de esta última investigación tuvo la idea de combinar estas dos técnicas. "Diseñamos un modelo mejorado para PNM que utiliza datos recopilados de simulaciones LBM, "explica el coautor del estudio Takeshi Tsuji". En las simulaciones, examinamos el flujo multifásico en la escala de poros para una amplia gama de parámetros geométricos y relaciones de viscosidad ".

    Los investigadores encontraron que para algunas configuraciones, Los efectos de acoplamiento viscosos influyen significativamente en el flujo multifásico en la garganta de los poros. Utilizaron los resultados de la simulación para derivar un factor de modificación, expresado en función de las relaciones de viscosidad, que se pueden incorporar fácilmente en PNM para tener en cuenta los efectos de acoplamiento viscosos. El equipo también desarrolló un método basado en el aprendizaje automático para estimar la permeabilidad asociada con el flujo multifásico.

    "Entrenamos una red neuronal artificial utilizando una base de datos construida a partir de los resultados de las simulaciones. Estas simulaciones consideraron diferentes combinaciones de parámetros geométricos, relaciones de viscosidad, etcétera, ", dice el autor principal Fei Jiang." Descubrimos que la red neuronal entrenada puede predecir la permeabilidad multifásica con una precisión extremadamente alta ".

    Este nuevo enfoque basado en datos no solo mejora la PNM al incluir información detallada a escala de poros, pero mantiene una buena eficiencia computacional. Dado que el flujo multifásico a través de materiales porosos es fundamental para muchos procesos naturales e industriales, estudios como éste podrían tener implicaciones de gran alcance.


    © Ciencia https://es.scienceaq.com