Contrairement aux approches traditionnelles de la dynamique des fluides informatiques (CFD) qui résolvent directement les équations Navier-Stokes, LBM opère à un niveau mésoscopique, modélisant le comportement des fluides par l'évolution des fonctions de distribution des particules sur un réseau discret. Cette différence fondamentale confère à LBM des avantages uniques, notamment en manipulant des géométries complexes, des flux multiphasés et des architectures informatiques parallèles. Au cours des trois dernières décennies, LBM est passé d'une technique académique de niche à une méthode largement adoptée dans la recherche et l'industrie, permettant des simulations détaillées de phénomènes tels que les flux turbulents, le transport de médias poreux et la mécanique des fluides biologiques.

Principes fondamentaux de la méthode du réseau Boltzmann

À son cœur, LBM discrétise à la fois l'espace et le temps, représentant le fluide comme une collection de particules fictives se déplaçant sur un réseau régulier. Les variables primaires sont les fonctions de distribution des particules fi(x,t), qui représentent la probabilité de trouver une particule se déplaçant avec une vitesse discrète spécifique e[i en position x et le temps t. L'évolution de ces fonctions de distribution est régie par l'équation de Lattice Boltzmann, qui consiste en deux étapes clés : le streaming et la collision.

Streaming

Pendant l'étape de diffusion, chaque fonction de distribution se propage sur son site de réseau voisin le long de sa direction de vitesse correspondante.

fi(x + eiΔt, t + Δt) = fi(x, t) (après diffusion)

Cette étape capture l'advection des particules dans le fluide, et elle est simple sur le plan informatique car elle ne concerne que le transfert de données le plus proche du voisin sur le réseau.

Collision

Après la diffusion, les fonctions de distribution subissent un processus de collision qui les détend vers une distribution d'équilibre locale. Le modèle de collision le plus courant est l'approximation Bhatnagar-Gross-Krook (BGK), qui utilise un seul temps de relaxation τ. L'étape de collision est donnée par:

fi(x, t + Δt) = fi(x, t) - (1/τ)[fi[x, t) - ]f]i]eq[x, t)]

Ici, fieq est la fonction de distribution d'équilibre, dérivée de la distribution Maxwell-Boltzmann étendue au second ordre de vitesse. Le temps de relaxation τ est directement lié à la viscosité cinématique du fluide: v = cs]2(τ - 0.5)Δt, où css est la vitesse de réseau du son.

Conditions de frontière dans la GNL

L'une des plus grandes forces de la GL est sa capacité à gérer les conditions limites complexes avec une relative facilité.

  • État de la limite arrière :[ Un état simple sans glissement où les particules frappant une paroi solide sont réfléchies dans le fluide. Cette méthode est simple à mettre en œuvre pour les obstacles de forme arbitraire, car la grille de réseau n'a pas besoin de se conformer à la géométrie.
  • Ronde interpolé :[ Améliore la précision sur les limites courbes en pondérant la réflexion en fonction de l'emplacement précis du mur.
  • Conditions de vitesse et de pression de la limite de Zou-He :[ Utilisé pour imposer la vitesse ou la pression prescrite aux entrées et sorties en résolvant pour des fonctions de distribution inconnues aux nœuds de limite.

Ces schémas de délimitation rendent la GL particulièrement attrayante pour simuler les flux à travers des milieux poreux, des dispositifs microfluidiques et des systèmes biologiques où les géométries sont irrégulières et complexes.

Modèles et variations LBM avancés

Bien que le BGK-LBM de base soit efficace pour les flux simples en une seule phase, de nombreuses extensions ont été développées pour s'attaquer à des phénomènes physiques plus difficiles.

Modèles multiphases et multicomposants

Le modèle pseudopotentiel Shan-Chen est l'une des approches les plus utilisées, où une force proportionnelle au gradient d'une fonction potentielle agit entre les composants fluides. Ce modèle peut simuler la séparation de phase, la dynamique de bulles et de gouttelettes et les phénomènes de mouillage sur surfaces solides. D'autres modèles multiphases comprennent l'approche de l'énergie libre, qui renforce la consistance thermodynamique, et la méthode color-gradient, qui suit les interfaces à l'aide d'une fonction colorimétrique.

Modèles de fluides thermiques et non néotoniens

Pour simuler les flux avec transfert de chaleur, on peut étendre la LBM en ajoutant une fonction de distribution d'énergie interne qui évolue de la même manière que les distributions de densité. Cette LBM thermique permet de simuler la convection naturelle sans résoudre séparément l'équation d'énergie. Pour les fluides non néotoniens, le temps de relaxation τ peut être fait fonction du taux de cisaillement local, permettant la simulation du débit sanguin, des fusions de polymères et d'autres fluides de cisaillement ou d'éclaircis.

Modèles entropiques et à temps de récupération multiple (MRT)

Le modèle BGK a des limites de stabilité, notamment aux niveaux élevés de Reynolds ou à faible viscosité. Pour améliorer la stabilité, des opérateurs de collision avancés ont été développés. Le modèle Multiple-Relaxation-Time (MRT) utilise différents paramètres de relaxation pour différents moments de la fonction de distribution, fournissant un meilleur contrôle sur les processus de dissipation et une stabilité numérique accrue.

Applications de la GNL dans les fluides complexes

La polyvalence de la GLM a conduit à son adoption dans un large éventail de domaines scientifiques et d'ingénierie. Ci-dessous, nous explorons plusieurs domaines d'application clés où la GLM s'est révélée particulièrement efficace.

Débits multiphasés et multicomposants

La capacité de LBM à modéliser des interfaces entre différentes phases sans suivi explicite de l'interface le rend idéal pour étudier des phénomènes multiphasés.

  • Relèvement de l'huile:[ Simulation du déplacement du pétrole par l'eau ou le gaz dans des roches de réservoir poreuses, où les forces capillaires et l'humidité jouent des rôles critiques.
  • Dynamique des bulles et des gouttelettes :[ Comprendre la coalescence, la rupture et le transport des bulles dans les réacteurs chimiques ou les gouttelettes dans les dispositifs microfluidiques.
  • Spray et atomisation:[ Modélisation de la rupture des jets liquides et de la formation de pulvérisations dans les systèmes d'injection de carburant.

Le modèle Shan-Chen et ses variantes ont été largement utilisés dans ces domaines, ce qui donne des indications difficiles à obtenir grâce aux méthodes traditionnelles de la DFC.

Flux dans les milieux poreux

LBM est sans doute la méthode numérique la plus populaire pour simuler le flux de fluide à travers des matériaux poreux, en raison de sa capacité à manipuler des géométries interstitielles complexes avec une grande fidélité.

  • Hydologie de l'eau de ronde:[ Simulation du transport et de l'assainissement des contaminants dans les systèmes du sol et de l'aquifère.
  • Cellules et batteries de carburant:[ Modélisation de la diffusion du gaz à travers des électrodes poreuses pour optimiser les performances.
  • Convertisseurs catalytiques: Analyse de la distribution du flux et de la cinétique de la réaction dans les supports de catalyseur poreux.

LBM peut directement simuler le débit interstitielle sur des images de microtomographies à rayons X de vrais milieux poreux, permettant ainsi des études de hausse à l'échelle interstitielle à Darcy. Une revue bien connue dans ce domaine est Kang et al. (2017) sur Pore-Scale LBM pour le transport sous-surface.

Flux biologiques et biomédicaux

LBM a constaté une utilisation croissante dans la simulation des flux physiologiques, en grande partie en raison de sa capacité à gérer les limites mobiles et déformables.

  • Flux de sang dans les artères et les veines: LBM peut incorporer des modèles de globules rouges et simuler le sang comme un fluide non-Newtonien, captant des phénomènes tels que la migration cellulaire et la formation de thrombus.
  • Flux respiratoires:[ Modélisation du débit d'air dans les poumons humains, y compris le dépôt de particules pour les études sur la délivrance de médicaments.
  • Dispositifs de laboratoire microfluidiques sur puce: Simulation du tri cellulaire, du mélange et de la génération de gouttelettes pour le diagnostic médical.

La flexibilité de la LBM dans la manipulation des corps en mouvement immergés est particulièrement utile pour étudier la dynamique des valves cardiaques et la déformation des globules rouges sous le cisaillement.

Aérodynamique et génie aérospatial

LBM a été appliqué avec succès aux simulations aérodynamiques, notamment pour les flux autour de géométries complexes telles que les ailes d'avion, les trains d'atterrissage et les pales éoliennes. Le parallélisme inhérent à la méthode lui permet de s'étendre à de grands domaines de calcul, et sa capacité à gérer les flux turbulents via les modèles subgrid de la simulation de grande envergure (LES) en a fait une alternative viable aux résolveurs Navier-Stokes pour certaines applications.

Avantages de la GJ par rapport aux méthodes traditionnelles de la DFC

LBM offre plusieurs avantages distincts qui ont motivé son adoption:

Efficacité et parallélisation informatiques

La diffusion en continu dans LBM ne comporte que des échanges de données les plus proches, ce qui rend trivial de mettre en œuvre sur des architectures parallèles telles que les GPU et les grappes de mémoire distribuée. De nombreux codes LBM permettent une mise à niveau quasi linéaire jusqu'à des milliers de cœurs, réduisant ainsi considérablement les temps de rotation de la simulation.

Facilité de manipulation des géométries complexes

Comme LBM utilise une grille cartésienne uniforme ou hiérarchiquement raffinée, la représentation géométrique ne nécessite pas la génération de mailles. Au lieu de cela, les obstacles solides sont représentés par le marquage des nœuds de réseau comme fluide ou solide. Les limites courbes peuvent être ajustées en utilisant des méthodes de rebond interpolées ou immergées sans remeshing.

Traitement naturel des flux multiphasés et interfaciaux

Contrairement aux méthodes de volume de fluide ou de niveau utilisées dans les modèles multiphasés traditionnels CFD, LBM ne nécessite pas de reconstruction explicite de l'interface. L'interface émerge naturellement de la dynamique des particules, qui simplifie le codage et réduit le coût de calcul.

Défis et limites de la gestion durable des terres

Malgré ses nombreuses forces, LBM n'est pas sans limites qui doivent être soigneusement prises en compte pour des simulations pratiques.

Problèmes de stabilité aux numéros élevés de Reynolds

L'opérateur standard de collision BGK devient instable lorsque le temps de relaxation τ approche de 0,5 (c.-à-d., faible viscosité), ce qui limite les débits de LBM à des débits laminaires ou modérément turbulents, sauf si des modèles de collision avancés (MRT, entropic) ou des modèles de turbulence (LES, Reynolds-moyend) sont utilisés.

Compression et faible contrainte du nombre de Mach

LBM est une méthode intrinsèquement peu compressible, ce qui permet de petites fluctuations de densité qui sont physiquement négligeables mais numériquement nécessaires. Pour récupérer un comportement de flux incompressible, le nombre de Mach doit être maintenu faible (généralement M < 0,3). Si le nombre de Mach dépasse cette limite, les erreurs de compressibilité deviennent significatives.

Tuning de paramètres et calibration de modèles

Les modèles LBM multiphases et thermiques introduisent souvent des paramètres libres (par exemple, force d'interaction, rapports de temps de relaxation) qui doivent être étalonnés à partir de données expérimentales ou de solutions analytiques, ce qui peut nécessiter des études de sensibilité longues, et les paramètres optimaux peuvent varier selon les régimes de débit.

Orientations futures et tendances émergentes

Les recherches en cours continuent d'élargir les capacités et les applications de la GNL. Plusieurs orientations prometteuses méritent d'être notées.

Couplage avec d'autres méthodes numériques

Les méthodes hybrides qui combinent LBM avec des approches par éléments finis ou par volume fini gagnent en traction. Par exemple, LBM peut être utilisé pour simuler le débit proche du mur pendant qu'un résolveur Navier-Stokes gère le champ lointain, ou LBM peut modéliser le débit de fluide tandis qu'une méthode par éléments discrets (DEM) gère les interactions particule.

Accélération avec apprentissage automatique

Les réseaux neuronaux peuvent apprendre les opérateurs de collision plus stables que BGK, ou remplacer les modèles coûteux à l'échelle du sous-réseau dans les simulations de flux turbulent. De plus, les modèles de substitution basés sur ML peuvent prédire les paramètres LBM en temps réel pour l'optimisation et les applications de contrôle. Un aperçu récent peut être trouvé dans Ce document sur le LBM accéléré ML.

GPU et calcul exascale

Le parallélisme massif de LBM le rend idéal pour le déploiement sur les supercalculateurs modernes accélérés GPU. Plusieurs codes LBM open-source, tels que Palabos et OpenLB, offrent déjà le support GPU, permettant des simulations avec des milliards de nœuds treillis. LBM sera probablement à l'avant-garde des simulations de grande dynamique des fluides, y compris la modélisation de parcs éoliens à grande échelle et le prototypage virtuel en temps réel.

Élargir le champ du génie biomédical et environnemental

La capacité de LBM à manipuler des particules déformables et des géométries complexes le place bien pour le développement de médicaments in-silico, la médecine personnalisée et la réhabilitation environnementale. Par exemple, des simulations de flux sanguin spécifiques au patient dans les anévrismes cérébraux pourraient guider la planification chirurgicale.

Conclusion

La méthode Lattice Boltzmann s'est révélée très efficace et très élégante sur le plan conceptuel pour simuler des flux fluides complexes. Ses fondations mésoscopiques, son algorithme simple et son évolutivité parallèle naturelle en font une alternative convaincante aux résolveurs traditionnels Navier-Stokes pour une large gamme d'applications, depuis les flux multiphasés dans des milieux poreux jusqu'à l'aérodynamique des véhicules et du sang dans le corps humain. Bien que des défis tels que la stabilité à des nombres élevés de Reynolds et la nécessité d'un réglage prudent des paramètres demeurent, les progrès continus dans les modèles de collision, les méthodes hybrides et l'apprentissage machine répondent rapidement à ces limites.