基于多相多体耗散粒子动力学与 PINN 数据驱动发现的 CMAS 液滴部分润湿表征
流体动力学
2023-07-19 v1 机器学习
摘要
熔融砂（由氧化钙、氧化镁、氧化铝与硅酸盐混合而成，称为 CMAS）以其高黏度、高密度与高表面张力为特征。CMAS 的独特性质使其在高温应用中难以处理，需要创新方案与材料以防止其积聚及对关键设备的损害。在此，我们利用多相多体耗散粒子动力学（mDPD）模拟研究高黏度熔融 CMAS 液滴的润湿动力学。模拟在三维下进行，初始液滴尺寸与平衡接触角各异。我们提出一个粗粒度参数化常微分方程（ODE），刻画 CMAS 液滴铺展半径行为。随后基于物理信息神经网络（PINN）框架辨识该 ODE 参数。接着，利用符号回归给出 PINN 所得参数值对初始半径与接触角的闭式依赖关系。最后，我们采用贝叶斯 PINN（B-PINNs）评估并量化所发现参数的不确定性。简言之，本研究通过融合简单参数化 ODE 建模与前沿机器学习技术，为 CMAS 液滴铺展动力学提供了见解。
引用
@article{arxiv.2307.09142,
title = {Characterization of partial wetting by CMAS droplets using multiphase many-body dissipative particle dynamics and data-driven discovery based on PINNs},
author = {Elham Kiyani and Mahdi Kooshkbaghi and Khemraj Shukla and Rahul Babu Koneru and Zhen Li and Luis Bravo and Anindya Ghoshal and George Em Karniadakis and Mikko Karttunen},
journal= {arXiv preprint arXiv:2307.09142},
year = {2023}
}