用于非牛顿流宏观建模的细观动力学本构关系主动学习
计算物理
2020-05-13 v1 流体动力学
摘要
我们通过将宏观流变学与底层微观结构动力学即时耦合来模拟复杂流体。具体而言,构建了一个未预先指定本构关系的聚合物流体宏观连续介质模型,而是从显式计算聚合物链动力学的细观模拟中主动学习该关系。为了耦合聚合物流体的宏观流变学与聚合物链的微观动力学,连续介质方法(基于有限体积法)为(细观)耗散粒子动力学(DPD)提供瞬态流场作为输入,而 DPD 反过来返回有效的本构关系以闭合连续介质方程。在这一多尺度建模过程中,我们采用基于高斯过程回归(GPR)的主动学习策略来最小化昂贵的 DPD 模拟次数,其中自适应选择的 DPD 模拟仅在必要时执行。针对非牛顿流体流经圆柱的绕流进行了数值实验,该流体在细观尺度上由珠簧链建模。结果表明,在雷诺数 Re=10 时,仅需五次 DPD 模拟即可实现连续介质方程的有效闭合。此外,当 Re 增加到 100 时,仅需一次额外的 DPD 模拟即可构建扩展的 GPR 信息模型闭合。与传统的消息传递多尺度方法相比,将主动学习方案应用于非牛顿流体的多尺度建模可显著提高计算效率。尽管此处演示的方法仅从细观模型中获取局部粘度,但它可以扩展到宏观流变学未知的其他复杂流体多尺度模型。
引用
@article{arxiv.1709.06228,
title = {Active learning of constitutive relation from mesoscopic dynamics for macroscopic modeling of non-Newtonian flows},
author = {Lifei Zhao and Zhen Li and Bruce Caswell and Jie Ouyang and George Em Karniadakis},
journal= {arXiv preprint arXiv:1709.06228},
year = {2020}
}
备注
18 pages, 9 figures