预测液滴动力学中的能量收支：一种循环神经网络方法

流体力学中的神经网络为探索复杂流动（包括多相流和自由表面流）提供了一种高效方法。循环神经网络，特别是长短期记忆（LSTM）模型，在学习从瞬态输入到动态输出的映射方面表现出吸引力。本研究将LSTM应用于预测表面张力效应下流体流动的瞬态和静态输出。具体而言，我们探讨了两种不同的液滴动力学场景：具有不同初始形状的液滴撞击固体表面，以及碰撞后两个液滴的合并。仅使用数值模拟得到的无量纲数和几何时间序列数据，LSTM即可预测能量收支。采用标记-单元（marker-and-cell）界面追踪方法结合标记-单元有限差分策略来模拟液滴动力学。使用以源自几何参数（例如液滴直径变化）的时间序列数据作为输入的循环神经网络（RNN）架构，我们的研究表明，该方法在预测一系列雷诺数和韦伯数下液滴动力学问题中的能量收支（例如动能、耗散和表面能趋势）方面具有准确性。最后，采用仅使用实验环境中易于获取的几何数据的两阶段序列神经网络来预测能量，并利用其估计静态参数，如雷诺数和韦伯数。尽管我们的方法主要在模拟数据上得到了验证，但其对实验数据集的适应性是未来探索的有前景的方向。我们希望我们的策略能用于从喷墨打印到燃烧发动机等各种应用中，在这些应用中，能量收支或耗散能的预测至关重要。