Ny fase af modellering af de viskøse koblingseffekter af flerfaset væskestrøm

Mange applikationer, herunder kuldioxidlagring og olieudvinding, involverer den samtidige strøm af to eller flere faser af stof (fast, væske, gas, osv.) gennem porøse materialer. Poreskalamodellering af en sådan flerfasestrøm har kæmpet for at fange vigtige fænomener, der omtales som viskøse koblingseffekter. Men nu, et forskerhold har udviklet en metode, der overvinder denne begrænsning med potentielle anvendelser til at forbedre brændstofteknologier og kulstoffangstsystemer.

I en undersøgelse offentliggjort i denne måned i Fremskridt inden for vandressourcer , forskere ledet af International Institute for Carbon-Neutral Energy Research (WPI-I2CNER) ved Kyushu University præsenterer en måde at inkorporere viskøse koblingseffekter i poreskalamodellering af flerfasestrømning.

En almindelig teknik til at studere sådanne flerfasestrømme er pore netværksmodellering (PNM), hvorved forenklede transportligninger løses for idealiserede poregeometrier. PNM kan bruges til hurtigt at estimere transportegenskaber, men det forsømmer viskøse koblingseffekter. En alternativ tilgang er gitter Boltzmann-metoden (LBM), hvorved ligninger, der styrer væskestrøm, løses for realistiske poregeometrier. Selvom LBM kan fange viskøse koblingseffekter, det er ekstremt beregningsmæssigt ineffektivt.

Holdet bag denne seneste forskning havde ideen til at kombinere disse to teknikker. "Vi udtænkte en forbedret model for PNM, der bruger data indsamlet fra LBM-simuleringer, " forklarer medforfatter til undersøgelsen Takeshi Tsuji. "I simuleringerne, vi undersøgte flerfasestrømning på poreskalaen for en bred vifte af geometriske parametre og viskositetsforhold."

Forskerne fandt ud af, at for nogle konfigurationer, tyktflydende koblingseffekter påvirker markant flerfaseflow i porehalsen. De brugte simuleringsresultaterne til at udlede en modifikationsfaktor, udtrykt som en funktion af viskositetsforhold, der let kan inkorporeres i PNM for at tage højde for viskøse koblingseffekter. Holdet udviklede også en maskinlæringsbaseret metode til at estimere permeabiliteten forbundet med flerfaseflow.

"Vi trænede et kunstigt neuralt netværk ved hjælp af en database bygget ud fra resultaterne af simuleringer. Disse simuleringer betragtede forskellige kombinationer af geometriske parametre, viskositetsforhold, og så videre, " siger hovedforfatter Fei Jiang. "Vi fandt ud af, at det trænede neurale netværk kan forudsige flerfasepermeabiliteten med ekstrem høj nøjagtighed."

Denne nye datadrevne tilgang forbedrer ikke kun PNM ved at inkludere detaljeret poreskalainformation, men det bevarer en god beregningseffektivitet. I betragtning af at flerfasestrømning gennem porøse materialer er central for mange naturlige og industrielle processer, undersøgelser som denne kunne have vidtrækkende konsekvenser.