低阿尔卑斯数下沉颗粒的涡动、聚类与相互作用驱动动力学：神经网络方法
流体动力学
2025-10-28 v1
摘要
在本研究中，我们探讨了固体颗粒的沉降行为以及微观颗粒动力学对沉降云集体运动的影响。不同于传统的直接数值模拟(DNS)，我们引入一种新型机器学习框架——相互作用分解神经网络(IDNN)，来建模水动力学颗粒相互作用。IDNN作为拉格朗日求解器中的一个黑箱模块，根据最近邻居的相对位置预测颗粒阻力。通过这种方式，可以恢复阻力涡动，捕捉以前仅能通过DNS实现的效应。我们的结果显示，在稀释 regime 中，集体沉降速度的增加，这与之前的实验和数值研究一致，我们将其归因于：(i)沉积方向颗粒力围绕低于斯托克斯极限的值的波动，以及(ii)沉降于增强速度的颗粒簇的形成。这些波动源于在低阿尔卑斯数下，来自上游颗粒产生的长而扩散的尾流中持久的颗粒进入和 ejecting。颗粒速度涡动的能量谱揭示了涡动能量在尺度上的传递，类似于湍流级联，表现为在更高体积分数下显著的大尺度涡动。在非常稀薄的体积分数时，涡动强度和能量谱�幅减小，但水动力相互作用仍然显著。
引用
@article{arxiv.2510.23232,
title = {Fluctuations, Clustering, and Interaction-Driven Dynamics in Sedimenting Particles at Low Galileo Numbers: A Neural Network Approach},
author = {Nejc Vovk and Jana Wedel and Paul Steinmann and Jure Ravnik},
journal= {arXiv preprint arXiv:2510.23232},
year = {2025}
}