基于卷积神经网络的微通道内液滴碰撞动力学预测

微通道中液滴碰撞的动力学本质上非常复杂，受多个相互依赖的物理和几何因素支配。理解并预测这些碰撞的结果——无论是聚并、反向弹回还是穿过——都面临重大挑战，特别是由于液滴的可变形性以及粘度比、密度比、约束条件和液滴初始偏移等关键参数的影响。分析这些碰撞的传统方法包括计算模拟和实验技术，耗时且资源密集，限制了其在实时应用中的可扩展性。在本工作中，我们探索了一种利用卷积神经网络（CNN）预测液滴碰撞结果的新数据驱动方法。与传统方法相比，基于 CNN 的方法具有显著优势，能够为分析具有不同物理参数的大数据集提供更快、可扩展的解决方案。我们使用基于 Cahn-Hilliard 扩散界面理论的二元不混溶流体的格子玻尔兹曼方法，在受限剪切流中数值生成了液滴碰撞数据。这些数据以液滴形状表示，作为 CNN 模型的输入，模型自动从图像中学习层次化特征，从而能够根据变形和方向准确高效地预测碰撞结果。该模型在包含 varied density and viscosity ratios 的测试数据集上仍达到了 0.972 的预测准确率。我们的研究结果表明，基于 CNN 的模型在预测碰撞结果方面具有更高的准确性，同时大幅降低了计算和时间约束。这项工作突显了机器学习推进液滴动力学研究的潜力，为流体动力学和软物质领域的研究人员提供了有价值的工具。