通过实验停留时间数据的机器学习分析改进固体颗粒沉降行为预测
流体动力学
2024-01-04 v2
摘要
颗粒穿过密度分层界面的运动是环境和工程应用中的常见现象。然而，在不同颗粒和流体性质组合下的颗粒-分层相互作用力学尚未被充分理解。本研究提出了一种新颖的机器学习 (ML) 方法，用于处理惯性颗粒穿过密度分层界面的实验数据。我们进行了一个简化的颗粒沉降实验，以获得大量颗粒并扩展参数范围，从而产生了一个前所未有的数据集，并已作为开放数据共享。利用 ML，本研究探索了新的相关性，这些相关性整合了来自本实验和先前工作 Verso 等人 (2019) 的数据。研究发现，“延迟时间”，即颗粒离开界面层到达到稳态速度之间的时间，强烈依赖于由 ML 特征选择制定的六个无量纲参数。数据显示，在实验范围内，雷诺数和弗劳德数之间存在相关性，并且最佳的符号回归仅基于弗劳德数。该实验为理解惯性颗粒在分层中的行为提供了宝贵的见解，并指出了未来改进其运动预测的机会。
引用
@article{arxiv.2302.02242,
title = {Improved Prediction of Settling Behaviour of Solid Particles through Machine Learning Analysis of Experimental Retention Time Data},
author = {Liron Simon Keren and Teddy Lazebnik and Alex Liberzon},
journal= {arXiv preprint arXiv:2302.02242},
year = {2024}
}