Veel toepassingen, inclusief opslag van kooldioxide en oliewinning, omvatten de gelijktijdige stroming van twee of meer fasen van materie (vast, vloeistof, gas, enz.) door poreuze materialen. Porieschaalmodellering van dergelijke meerfasenstroming heeft moeite gehad om belangrijke fenomenen vast te leggen die viskeuze koppelingseffecten worden genoemd. Maar nu, een onderzoeksteam heeft een methode ontwikkeld die deze beperking overwint met mogelijke toepassingen om brandstoftechnologieën en koolstofafvangsystemen te verbeteren.

In een studie die deze maand is gepubliceerd in Vooruitgang in watervoorraden , onderzoekers onder leiding van het International Institute for Carbon-Neutral Energy Research (WPI-I2CNER) aan de Kyushu University presenteren een manier om viskeuze koppelingseffecten op te nemen in porieschaalmodellering van meerfasenstroming.

Een veelgebruikte techniek voor het bestuderen van dergelijke meerfasige stromen is porienetwerkmodellering (PNM), waarbij vereenvoudigde transportvergelijkingen worden opgelost voor geïdealiseerde poriegeometrieën. PNM kan worden gebruikt om snel transporteigenschappen in te schatten, maar het negeert viskeuze koppelingseffecten. Een alternatieve benadering is de rooster Boltzmann-methode (LBM), waarbij vergelijkingen die de vloeistofstroom regelen, worden opgelost voor realistische poriegeometrieën. Hoewel de LBM viskeuze koppelingseffecten kan vastleggen, het is extreem rekenkundig inefficiënt.

Het team achter dit laatste onderzoek had het idee om deze twee technieken te combineren. "We hebben een verbeterd model voor PNM bedacht dat gebruikmaakt van gegevens die zijn verzameld uit LBM-simulaties, " legt co-auteur van de studie Takeshi Tsuji uit. "In de simulaties, we onderzochten meerfasenstroming op porieschaal voor een breed scala aan geometrische parameters en viscositeitsverhoudingen."

De onderzoekers ontdekten dat voor sommige configuraties, viskeuze koppelingseffecten beïnvloeden de meerfasenstroom in de porie-keel aanzienlijk. Ze gebruikten de simulatieresultaten om een ​​modificatiefactor af te leiden, uitgedrukt als een functie van viscositeitsverhoudingen, die gemakkelijk in PNM kunnen worden opgenomen om rekening te houden met viskeuze koppelingseffecten. Het team ontwikkelde ook een op machine learning gebaseerde methode om de permeabiliteit in verband met meerfasige stroming te schatten.

"We hebben een kunstmatig neuraal netwerk getraind met behulp van een database die is opgebouwd uit de resultaten van simulaties. Deze simulaties hielden rekening met verschillende combinaties van geometrische parameters, viscositeitsverhoudingen, enzovoort, " zegt hoofdauteur Fei Jiang. "We ontdekten dat het getrainde neurale netwerk de meerfasenpermeabiliteit met extreem hoge nauwkeurigheid kan voorspellen."

Deze nieuwe gegevensgestuurde aanpak verbetert niet alleen PNM door gedetailleerde informatie op porieschaal op te nemen, maar het handhaaft een goede rekenefficiëntie. Aangezien meerfasige stroming door poreuze materialen centraal staat in veel natuurlijke en industriële processen, studies zoals deze kunnen verstrekkende gevolgen hebben.