Muitos aplicativos, incluindo armazenamento de dióxido de carbono e recuperação de óleo, envolvem o fluxo simultâneo de duas ou mais fases da matéria (sólida, líquido, gás, etc.) através de materiais porosos. A modelagem em escala de poros de tal fluxo multifásico tem se esforçado para capturar fenômenos importantes conhecidos como efeitos de acoplamento viscoso. Mas agora, uma equipe de pesquisa desenvolveu um método que supera essa limitação com aplicações potenciais para melhorar as tecnologias de combustível e sistemas de captura de carbono.

Em um estudo publicado este mês em Avanços em Recursos Hídricos , pesquisadores liderados pelo Instituto Internacional para Pesquisa de Energia Neutra de Carbono (WPI-I2CNER) na Universidade de Kyushu apresentam uma maneira de incorporar efeitos de acoplamento viscoso em modelagem em escala de poro de fluxo multifásico.

Uma técnica comum para estudar esses fluxos multifásicos é a modelagem de rede de poros (PNM), em que equações de transporte simplificadas são resolvidas para geometrias de poros idealizadas. PNM pode ser usado para estimar propriedades de transporte rapidamente, mas negligencia os efeitos de acoplamento viscosos. Uma abordagem alternativa é o método de rede Boltzmann (LBM), em que as equações que governam o fluxo de fluido são resolvidas para geometrias de poros realistas. Embora o LBM possa capturar efeitos de acoplamento viscosos, é extremamente ineficiente do ponto de vista computacional.

A equipe por trás desta última pesquisa teve a ideia de combinar essas duas técnicas. "Criamos um modelo aprimorado para PNM que usa dados coletados de simulações LBM, "explica o co-autor do estudo Takeshi Tsuji." Nas simulações, examinamos o fluxo multifásico na escala dos poros para uma ampla gama de parâmetros geométricos e taxas de viscosidade. "

Os pesquisadores descobriram que, para algumas configurações, efeitos de acoplamento viscoso influenciam significativamente o fluxo multifásico na garganta dos poros. Eles usaram os resultados da simulação para derivar um fator de modificação, expressa como uma função das taxas de viscosidade, que pode ser facilmente incorporado ao PNM para compensar os efeitos de acoplamento viscoso. A equipe também desenvolveu um método baseado em aprendizado de máquina para estimar a permeabilidade associada ao fluxo multifásico.

“Treinamos uma rede neural artificial usando um banco de dados construído a partir de resultados de simulações. Essas simulações consideraram diferentes combinações de parâmetros geométricos, relações de viscosidade, e assim por diante, "disse o autor Fei Jiang." Descobrimos que a rede neural treinada pode prever a permeabilidade multifásica com uma precisão extremamente alta. "

Esta nova abordagem baseada em dados não apenas melhora o PNM, incluindo informações detalhadas em escala de poros, mas mantém uma boa eficiência computacional. Dado que o fluxo multifásico através de materiais porosos é fundamental para muitos processos naturais e industriais, estudos como este podem ter implicações de longo alcance.