液滴聚合：基于 CNN 的浓度场流场重建
流体动力学
2024-10-08 v1
摘要
液滴聚合和液态镜头的合并是流体力学和多相流统计力学中具有重要实际和理论意义的问题。在这种合并过程中，界面形状（分隔两个相的界面）与背景流场之间存在有趣且错综复杂的相互作用。在实验中，较容易可视化浓度场，而获取流场较困难。我们展示了二维 (2D) 编码器-解码器 CNN、2D U-Net 和三维 (3D) U-Net 可用于从浓度场获取流场。为了训练这些网络，我们使用浓度场和流场，这些场由大量直接数值模拟 (DNS) 获取，用于 (a) 两个圆形滴液在两组分 2D Cahn-Hilliard-Navier-Stokes (CHNS) 偏微分方程 (PDE) 中的聚合、(b) 液态镜头在三组分 2D CHNS PDE 中的合并、(c) 球形滴液在两组分 3D CHNS PDE 中的聚合。随后，我们表明，给定浓度场的测试图像，我们的训练模型能够准确预测在不同 Oh 数 () 时的流场 ( 是粘性应力与惯性和表面张力力的无量纲比率)。我们使用自编码器和全连接神经网络，还研究了浓度场和涡旋场之间的映射如何通过低维潜变量来实现液滴合并中的 2D CHNS 系统。我们比较了两种方法在流场重建中的准确性。最后，我们使用最近在液滴聚合实验中获得的数据，显示我们的 метод 如何用于从浓度场的测量结果获取流场。
引用
@article{arxiv.2410.04451,
title = {Liquid-Droplet Coalescence: CNN-based Reconstruction of Flow Fields from Concentration Fields},
author = {Vasanth Kumar Babu and Nadia Bihari Padhan and Rahul Pandit},
journal= {arXiv preprint arXiv:2410.04451},
year = {2024}
}