九州大学国际空间研究中心 用人工神经网络预测孔喉多相渗透率
学分:九州大学I2CNER 包括二氧化碳储存和石油开采在内的许多应用都涉及到两相或多相物质(固体、液体、气体等)的同时流动
)穿过多孔材料
这种多相流的孔隙尺度模型难以捕捉被称为粘性耦合效应的重要现象
但是现在，一个研究小组已经开发出一种方法，通过潜在的应用来改善燃料技术和碳捕获系统，从而克服这种限制
在本月发表在《水资源进展》上的一项研究中，由九州大学国际碳中性能源研究所(WPI-I2CNER)领导的研究人员提出了一种将粘性耦合效应纳入多相流孔隙尺度建模的方法
研究这种多相流的一种常用技术是孔隙网络建模(PNM)，通过这种技术可以对理想化的孔隙几何形状求解简化的输运方程
PNM可以用来快速估算输运性质，但它忽略了粘性耦合效应
另一种方法是格子玻尔兹曼方法(LBM)，通过这种方法，控制流体流动的方程被求解为真实的孔隙几何形状
虽然LBM可以捕捉粘性耦合效应，但计算效率极低
这项最新研究背后的团队有了将这两种技术结合起来的想法
“我们为PNM设计了一个改进的模型，使用了从LBM模拟中收集的数据，”该研究的合著者竹内武解释道
“在模拟中，我们检查了孔隙尺度下多相流的各种几何参数和粘度比
" 研究人员发现，对于某些配置，粘性耦合效应显著影响孔喉中的多相流
他们利用模拟结果推导出一个修正因子，表示为粘度比的函数，可以很容易地结合到PNM方程中，以考虑粘性耦合效应
该团队还开发了一种基于机器学习的方法来估计多相流的渗透率
“我们使用根据模拟结果建立的数据库来训练人工神经网络
这些模拟考虑了几何参数、粘度比等的不同组合，”第一作者蒋菲说
“我们发现，经过训练的神经网络可以以极高的精度预测多相渗透率
" 这种新的数据驱动方法不仅通过包含详细的孔隙尺度信息改善了PNM，而且保持了良好的计算效率
鉴于多相流通过多孔材料是许多自然和工业过程的核心，像这样的研究可能有深远的影响
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
