Många applikationer, inklusive koldioxidlagring och oljeutvinning, involvera samtidig flöde av två eller flera faser av materia (fast, flytande, gas, etc.) genom porösa material. Porskalig modellering av sådant flerfasflöde har kämpat för att fånga viktiga fenomen som kallas viskösa kopplingseffekter. Men nu, ett forskargrupp har utvecklat en metod som övervinner denna begränsning med potentiella tillämpningar för att förbättra bränsleteknik och koldioxidavskiljningssystem.

I en studie publicerad denna månad i Framsteg inom vattenresurser , forskare som leds av International Institute for Carbon-Neutral Energy Research (WPI-I2CNER) vid Kyushu University presenterar ett sätt att införliva viskösa kopplingseffekter i porskala modellering av flerfasflöde.

En vanlig teknik för att studera sådana flerfasflöden är porerätverksmodellering (PNM), varigenom förenklade transportekvationer löses för idealiserade porgeometrier. PNM kan användas för att snabbt uppskatta transportegenskaper, men det försummar viskösa kopplingseffekter. Ett alternativt tillvägagångssätt är gitteret Boltzmann -metoden (LBM), varvid ekvationer som reglerar vätskeflöde löses för realistiska porgeometrier. Även om LBM kan fånga viskösa kopplingseffekter, det är extremt beräknat ineffektivt.

Teamet bakom den senaste forskningen hade idén att kombinera dessa två tekniker. "Vi utarbetade en förbättrad modell för PNM som använder data som samlats in från LBM -simuleringar, "förklarar medförfattare till studien Takeshi Tsuji." I simuleringarna vi undersökte flerfasflöde i porskalan för ett brett spektrum av geometriska parametrar och viskositetsförhållanden. "

Forskarna fann att för vissa konfigurationer, viskösa kopplingseffekter påverkar signifikant flerfasflödet i porhålan. De använde simuleringsresultaten för att härleda en modifieringsfaktor, uttryckt som en funktion av viskositetsförhållanden, som enkelt kan införlivas i PNM för att ta hänsyn till viskösa kopplingseffekter. Teamet utvecklade också en maskininlärningsbaserad metod för att uppskatta permeabiliteten i samband med florfasflöde.

"Vi utbildade ett artificiellt neuralt nätverk med hjälp av en databas byggd på resultatet av simuleringar. Dessa simuleringar övervägde olika kombinationer av geometriska parametrar, viskositetsförhållanden, och så vidare, "säger huvudförfattaren Fei Jiang." Vi fann att det utbildade neurala nätverket kan förutsäga flerfaspermeabiliteten med extremt hög noggrannhet. "

Denna nya datadrivna metod förbättrar inte bara PNM genom att inkludera detaljerad porskalainformation, men den har god beräkningseffektivitet. Med tanke på att flerfasflöde genom porösa material är centralt för många naturliga och industriella processer, studier som denna kan ha långtgående konsekvenser.