从速度场数据学习非牛顿流体的流变参数
流体动力学
2025-05-21 v3 机器学习
最优化与控制
摘要
我们求解一个贝叶斯逆 Navier-Stokes (N-S) 问题，该问题整合了速度场数据以同时重构流场并学习未知 N-S 参数。通过将 Carreau 剪切稀薄黏度模型纳入 N-S 问题，我们设计了一个算法，从速度场数据alone 学习 shear-thinning 流体的最可能 Carreau 参数，并估计其不确定性。随后，我们进行了一次 flow-MRI 实验，以获得通过理想化医疗设备 (FDA 喷嘴) 进行的轴对称层流喷流的速度场数据，用于血液类比流体。我们展示该算法能够通过学习最可能的 Carreau 参数成功重构流场，且所学习的参数与流变测量结果非常吻合。该算法接受任何可微的有效黏度模型，若纳入 viscoelastic 模型，可扩展到更复杂的非牛顿流体（如 Oldroyd-B 流体）。
引用
@article{arxiv.2408.02604,
title = {Learning rheological parameters of non-Newtonian fluids from velocimetry data},
author = {Alexandros Kontogiannis and Richard Hodgkinson and Emily L. Manchester},
journal= {arXiv preprint arXiv:2408.02604},
year = {2025}
}