Progressi nella ricerca sui materiali porosi
Esplorando nuove tecniche per studiare il movimento dei fluidi nei materiali porosi.
Olivier Guévremont, Lucka Barbeau, Vaiana Moreau, Federico Galli, Nick Virgilio, Bruno Blais
― 5 leggere min
Indice
- Sfide nello Studio del Flusso dei Fluidi
- Il Ruolo della Dinamica dei Fluidi Computazionale
- Progressi nelle Tecniche di Imaging
- L'Importanza di Modellare con Accuratezza
- L'Uso delle Funzioni di Base Radiali
- Il Metodo del Confine Immerso
- Validazione dei Modelli
- Applicazioni della Modellazione Avanzata
- Conclusione
- Fonte originale
- Link di riferimento
I Materiali Porosi sono ovunque. Puoi trovarli in vari settori come lo stoccaggio di energia, i processi chimici, e persino nei nostri corpi. Hanno una struttura unica che consente loro di immagazzinare fluidi e gas perché contengono tanti piccoli buchi. Questi materiali sono essenziali per molte tecnologie, ma progettare materiali specifici può essere complicato.
Quando i fluidi si muovono attraverso questi materiali, il loro movimento è influenzato dalla struttura del materiale. Questo significa che capire come i fluidi fluiscono attraverso materiali porosi è fondamentale.
Sfide nello Studio del Flusso dei Fluidi
Una delle principali sfide è l'alto costo delle risorse informatiche necessarie per studiare questi materiali in dettaglio. I metodi tradizionali semplificano spesso la struttura del materiale per ridurre i tempi di calcolo. Tuttavia, questo può portare a risultati troppo semplificati che potrebbero non riflettere la realtà. Negli ultimi anni, i progressi nella tecnologia hanno permesso rappresentazioni più accurate dei materiali porosi reali.
Con le Tecniche di imaging moderne, ora è possibile creare immagini dettagliate dei materiali porosi a una scala molto piccola. Queste immagini rivelano come la struttura del materiale può influenzare il flusso dei fluidi.
Dinamica dei Fluidi Computazionale
Il Ruolo dellaLa Dinamica dei Fluidi Computazionale (CFD) è un metodo usato per simulare come i fluidi si muovono attraverso vari ambienti, compresi i materiali porosi. I modelli CFD sono utili perché permettono ai ricercatori di visualizzare il movimento dei fluidi senza esperimenti fisici. Tuttavia, queste simulazioni possono essere complicate a causa dei design intricati dei materiali porosi.
Un modo per migliorare l'accuratezza delle simulazioni CFD è utilizzare tecniche che tengano conto delle forme complesse dei pori in questi materiali. Utilizzando metodi computerizzati avanzati, è possibile creare modelli dettagliati che includono la forma e la disposizione reali dei pori.
Progressi nelle Tecniche di Imaging
Recenti progressi nelle tecniche di imaging, come la micro-tomografia computerizzata a raggi X, hanno reso possibile catturare immagini tridimensionali dettagliate dei materiali porosi. Queste immagini possono essere utilizzate per studiare come i fluidi passano attraverso questi materiali in dettaglio.
Tale imaging permette ai ricercatori di vedere la forma e la struttura dei pori, che è essenziale per capire come influenzano il flusso dei fluidi. Questo livello di dettaglio era precedentemente non disponibile e apre nuove possibilità per la ricerca.
L'Importanza di Modellare con Accuratezza
Modelli accurati dei materiali porosi possono aiutare in varie applicazioni, come progettare filtri migliori, sistemi di stoccaggio energetico e catalizzatori. Modellando il comportamento reale dei fluidi in questi materiali, possiamo migliorare le loro prestazioni.
Utilizzando metodi computazionali con tecniche di imaging dettagliate, i ricercatori possono vedere come diversi fattori, come la dimensione e la disposizione dei pori, possono cambiare il modo in cui i fluidi fluiscono. Capire questi aspetti porta a migliori design su misura per applicazioni specifiche.
L'Uso delle Funzioni di Base Radiali
Per affrontare la complessità della modellazione di questi materiali porosi, i ricercatori hanno introdotto una tecnica chiamata Funzioni di Base Radiali (RBF). Questo metodo consente una rappresentazione fluida delle forme dei pori, che è importante negli studi sul flusso dei fluidi.
RBF può rappresentare efficacemente strutture complesse in un modo che è più facile da elaborare per i computer. Questo porta a simulazioni più efficienti e accurate nella dinamica dei fluidi computazionale.
Il Metodo del Confine Immerso
Un'altra tecnica che migliora l'accuratezza della modellazione è il Metodo del Confine Immerso (IBM). Questo metodo aiuta a simulare come i fluidi interagiscono con strutture solide senza necessità di una piena conformità tra la maglia del fluido e i confini solidi.
IBM semplifica il processo computazionale e consente ai ricercatori di studiare anche le forme più complesse trovate nei materiali porosi. Combinando questa tecnica con RBF, i ricercatori possono creare modelli che riflettono accuratamente i materiali porosi reali.
Validazione dei Modelli
Per garantire che i modelli siano accurati, i ricercatori validano il loro lavoro confrontandolo con dati sperimentali. Questo spesso comporta misurare quanto scende la pressione quando un fluido scorre attraverso un materiale poroso. I risultati simulati dovrebbero corrispondere strettamente ai risultati sperimentali per dimostrare che il modello è affidabile.
Confrontando le simulazioni con misurazioni reali, i ricercatori possono confermare che i loro metodi funzionano correttamente e forniscono utili intuizioni sul comportamento dei materiali.
Applicazioni della Modellazione Avanzata
I risultati di queste tecniche di modellazione avanzata hanno diverse applicazioni pratiche. Nell'ingegneria chimica, ad esempio, materiali porosi progettati meglio possono migliorare processi come la filtrazione e la catalisi.
Nei contesti biomedici, capire il flusso attraverso materiali porosi può informare i metodi di somministrazione di farmaci dove i fluidi passano attraverso i tessuti.
Inoltre, i progressi nei sistemi di stoccaggio energetico possono portare a batterie e altri dispositivi più efficienti migliorando il modo in cui i fluidi interagiscono con i materiali a livello microscopico.
Conclusione
I materiali porosi giocano un ruolo vitale in varie tecnologie, e capire la loro struttura e come i fluidi fluiscono attraverso di essi è cruciale. I progressi nelle tecniche di imaging e modellazione, come CFD, RBF e IBM, hanno reso possibile studiare questi materiali con maggiore accuratezza.
Validando i modelli contro dati sperimentali, i ricercatori possono garantire che le loro scoperte siano affidabili e applicabili a situazioni reali. Con la continua ricerca, questi metodi promettono di portare a design più efficaci e miglioramenti in molti settori.
Titolo: Pore-resolved CFD in Digital Twin of Porous Monoliths Reconstructed by Micro-computed Tomography
Estratto: Porous media are ubiquitous in the fields of energy storage and conversion, catalysis, biomechanics, hydrogeology, and other chemical engineering processes. These media possess high surface-to-volume ratios and their complex channels can restrict and direct the flow. This makes them key components of multiple equipment despite the challenges in selecting design parameters for specific applications. Pore-resolved CFD reveals the effects of their structure at the microscopic scale, but is currently limited by high computing costs and the performance of mesh generation algorithms. This work introduces a RBF-based representation of solids in a massively parallel immersed-boundary framework, enabling both the usage of non-conformal grids and dynamic mesh adaptation. We verify it using the method of manufactured solutions. We validate it using pressure drop measurements through porous silicone monoliths digitized by X-ray computed microtomography for Reynolds numbers up to 30, using grids of 200 M cells distributed over 8 k cores. The reliable model is then used to highlight that pore network structure is the main factor describing pressure evolution and that preferential channels are present at this scale of the porous media. This work opens the door to design and optimize processes by linking microscopic flow to macroscopic properties through the usage of physics-based digital twins of complex porous media.
Autori: Olivier Guévremont, Lucka Barbeau, Vaiana Moreau, Federico Galli, Nick Virgilio, Bruno Blais
Ultimo aggiornamento: 2024-08-08 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2408.04711
Fonte PDF: https://arxiv.org/pdf/2408.04711
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://doi.org/10.1205/026387602753393196
- https://doi.org/10.1016/S0017-9310
- https://doi.org/10.1016/J.APSUSC.2008.07.154
- https://onlinelibrary.wiley.com/doi/abs/10.1002/cjce.23871
- https://doi.org/
- https://doi.org/10.1002/cjce.23871
- https://doi.org/10.26804/ager.2018.04.07
- https://doi.org/10.1016/J.ADVWATRES.2018.04.001
- https://doi.org/10.1016/J.PECS.2021.100968
- https://doi.org/10.1016/J.PETROL.2015.09.017
- https://doi.org/10.1016/J.APPLTHERMALENG.2013.11.056
- https://doi.org/10.1016/J.IJHEATMASSTRANSFER.2019.05.042
- https://doi.org/10.1016/J.CEJ.2018.07.075
- https://doi.org/10.1080/19942060.2022.2109758
- https://doi.org/10.1016/J.CEJ.2017.10.047
- https://doi.org/10.1016/J.CES.2018.04.061
- https://doi.org/10.1016/J.CATTOD.2016.03.048
- https://www.sciencedirect.com/science/article/pii/S1385894718319600
- https://doi.org/10.1016/j.cej.2018.10.017
- https://doi.org/10.1016/0021-9991
- https://doi.org/10.1016/J.CES.2017.10.018
- https://www.sciencedirect.com/science/article/pii/S0009250919302118
- https://doi.org/10.1016/j.ces.2019.02.043
- https://linkinghub.elsevier.com/retrieve/pii/S1385894719330566
- https://doi.org/10.1016/j.cej.2019.123641
- https://doi.org/10.1016/J.CEJ.2020.128245
- https://doi.org/10.1016/J.COMPFLUID.2010.06.002
- https://onlinelibrary.wiley.com/doi/abs/10.1002/fld.2222
- https://doi.org/10.1002/fld.2222
- https://onlinelibrary.wiley.com/doi/abs/10.1002/fld.2615
- https://doi.org/10.1002/fld.2615
- https://doi.org/10.1016/J.CAGEO.2022.105118
- https://doi.org/10.1016/J.COMPSTRUC.2019.05.010
- https://doi.org/10.1109/5.58326
- https://doi.org/10.1162/neco.1991.3.2.246
- https://doi.org/10.1016/S0893-6080
- https://doi.org/10.1016/J.COMPFLUID.2014.09.026
- https://www.sciencedirect.com/science/article/pii/S2352711020302922
- https://doi.org/10.1016/j.softx.2020.100579
- https://doi.org/10.1145/1268776.1268779
- https://doi.org/10.1137/100791634
- https://doi.org/10.1016/J.JCP.2015.03.022
- https://doi.org/10.1016/J.COMPFLUID.2022.105415
- https://doi.org/10.1016/J.COMPFLUID.2023.106094
- https://doi.org/10.1016/J.IJMULTIPHASEFLOW.2024.104882
- https://doi.org/10.1016/J.JNNFM.2022.104951
- https://doi.org/10.1016/J.FORSCIINT.2020.110232
- https://doi.org/10.1109/STUD49732.2019.9018825
- https://doi.org/10.1109/MCSE.2016.49
- https://link.aps.org/doi/10.1103/PhysRevE.57.495
- https://doi.org/10.1103/PhysRevE.57.495
- https://link.aps.org/doi/10.1103/PhysRevE.58.224
- https://doi.org/10.1103/PhysRevE.58.224
- https://optimad.github.io/bitpit/
- https://doi.org/10.1021/ma402603b