De Lattice Boltzmann Methode (LBM) is ontstaan als een krachtige en veelzijdige rekentool voor het simuleren van complexe vloeistofstromen over een breed scala van schalen en toepassingen. In tegenstelling tot traditionele rekenvloeistofdynamica (CFD) benaderingen die de Navier-Stokes vergelijkingen direct oplossen, LBM werkt op mesoscopisch niveau, het modelleren van vloeistofgedrag door de evolutie van deeltjesverdeling functies op een discrete rooster. Dit fundamentele verschil begiftigt LBM met unieke voordelen, met name in de behandeling van complexe geometrieën, multifasestromen, en parallelle computerarchitecturen. In de afgelopen drie decennia heeft LBM gerijpt van een niche academische techniek tot een breed aanvaarde methode in zowel onderzoek als industrie, waardoor gedetailleerde simulaties van fenomenen zoals turbulente stromen, poreuze mediatransport, en biologische vloeistofmechanica mogelijk zijn.

Fundamentele beginselen van de methode van de Lattice Boltzmann

In de kern van het LBM worden zowel ruimte als tijd gediscretiseerd, wat de vloeistof voorstelt als een verzameling fictieve deeltjes die bewegen op een regelmatig rooster.De primaire variabelen zijn deeltjesverdelingsfuncties fi(x,t), die de kans vertegenwoordigen dat een deeltje zich beweegt met een specifieke discrete snelheid e[i[]] op positie []x[] en tijd []t[[. De evolutie van deze distributiefuncties wordt bepaald door de Lattice Boltzmann-vergelijking, die bestaat uit twee belangrijke stappen: streaming en botsing.

Streaming

Tijdens de streaming stap, elke distributiefunctie propageert naar zijn naburige rooster site langs de overeenkomstige snelheidsrichting. Wiskundig, wordt dit uitgedrukt als:

fi(x + eiΔt, t + Δt) = fi[x, t) (na het streamen)

Deze stap vangt de advectie van deeltjes in de vloeistof, en het is computermatig eenvoudig omdat het gaat alleen de dichtstbijzijnde buurgegevens overdracht op het rooster.

Botsing

Na het streamen ondergaan de distributiefuncties een aanvaringsproces dat hen ontspant naar een lokale evenwichtsverdeling. Het meest voorkomende model van botsing is de benadering van Bhatnagar-Gross-Krook (BGK), die gebruik maakt van een enkele ontspanningstijd τ. De botsingsstap wordt gegeven door:

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

Hier fieq is de evenwichtsverdelingsfunctie, afgeleid van de Maxwell-Boltzmann-distributie uitgebreid naar de tweede orde in snelheid. De ontspanningstijd τ is direct gerelateerd aan de kinematische viscositeit van de vloeistof: versus = c]s2[(τ - 0.5) Δt, waar c[]s[[ de roostersnelheid van geluid is. Door deze stroom-samenlevingscyclus reproduceert LBM de Navier-Stokes vergelijkingen in de macroscopische limiet, mits de stroom in het laag Machtnummerregime zit.

Grensvoorwaarden in LBM

Een van de grootste sterke punten van LBM is het vermogen om complexe grensvoorwaarden met relatief gemak te hanteren.

  • Bounce-back grensconditie: Een eenvoudige no-slip-conditie waarbij deeltjes die een vaste wand raken terug in de vloeistof worden gereflecteerd. Deze methode is eenvoudig in te voeren voor willekeurig gevormde obstakels, omdat het roosterraster niet hoeft te voldoen aan de geometrie.
  • Geïmpliceerde bounce-back: Verbetert de nauwkeurigheid op gebogen grenzen door de reflectie te wegen op basis van de precieze locatie van de muur.
  • Zou-He snelheid en drukgrensvoorwaarden: Gebruikt om voorgeschreven snelheid of druk op te leggen bij inlaten en uitlaten door het oplossen van onbekende distributiefuncties op de grensknooppunten.

Deze grensschema's maken LBM bijzonder aantrekkelijk voor het simuleren van stromen door poreuze media, microfluïdische apparaten en biologische systemen waar geometrieën onregelmatig en complex zijn.

Geavanceerde LBM-modellen en -variaties

Hoewel de basis BGK-LBM effectief is voor eenvoudige single-phase stromen, zijn er veel uitbreidingen ontwikkeld om meer uitdagende fysieke verschijnselen aan te pakken.

Multifase- en multicomponentmodellen

LBM ondersteunt natuurlijk multifase- en multicomponent simulaties door de introductie van interparticle krachten. Het pseudopotentiële model van Shan-Chen is een van de meest gebruikte benaderingen, waar een kracht evenredig aan de gradiënt van een potentiële functie werkt tussen vloeistofcomponenten. Dit model kan fasescheiding, zeepbel- en druppeldynamica simuleren, en bevochtiging verschijnselen op vaste oppervlakken. Andere multifase modellen omvatten de vrije-energie benadering, die de thermodynamische consistentie dwingt, en de kleur-gradient methode, die interfaces met behulp van een kleurfunctie volgen. Deze tools maken gedetailleerde studies van emulsies, schuim, en multifase stromen in poreuze media mogelijk.

Thermische en niet-Newtonische vloeistofmodellen

Om stromen met warmteoverdracht te simuleren, kan LBM worden uitgebreid door een interne energieverdelingsfunctie toe te voegen die zich even snel ontwikkelt als de dichtheidsverdelingen. Deze zogenaamde thermische LBM maakt natuurlijke convecties mogelijk zonder de energievergelijking afzonderlijk op te lossen. Voor niet-Newtonische vloeistoffen kan de ontspanningstijd τ een functie worden gemaakt van de lokale afschuifsnelheid, waardoor de simulatie van bloedstroom, polymeermelten en andere scheerd-dunne of krimpende vloeistoffen mogelijk wordt.

Modellen voor entropische en multipele ontspanning (MRT)

Het BGBK-model heeft beperkingen in stabiliteit, vooral bij hoge Reynolds-nummers of lage viscositeiten. Om de stabiliteit te verbeteren, zijn geavanceerde botsingsoperatoren ontwikkeld. Het Multiple-Relaxation-Time (MRT) model gebruikt verschillende ontspanningsparameters voor verschillende momenten van de distributiefunctie, waardoor een betere controle over dissipatieve processen en verbeterde numerieke stabiliteit wordt geboden. Entroop LBM dwingt de tweede wet van thermodynamica door ervoor te zorgen dat de botsingsstap altijd de entropie van het systeem vermindert, wat leidt tot onvoorwaardelijk stabiele schema's. Deze modellen zijn essentieel voor het simuleren van turbulente stromen en hoge Reynolds-nummerproblemen.

Toepassingen van LBM in Complex Fluid Flows

De veelzijdigheid van LBM heeft geleid tot de goedkeuring ervan in een breed spectrum van wetenschappelijke en technische gebieden. Hieronder onderzoeken we een aantal belangrijke toepassingsgebieden waar LBM bijzonder effectief is gebleken.

Multifase en multicomponentstromen

LBM's vermogen om interfaces tussen verschillende fasen te modelleren zonder expliciete interface tracking maakt het ideaal voor het bestuderen van multifase fenomenen. Toepassingen omvatten:

  • Olieterugwinning: Simulatie van de verplaatsing van olie door water of gas in poreuze reservoirgesteenten, waar capillaire krachten en bevochtigbaarheid een cruciale rol spelen.
  • Bubbel- en druppeldynamiek: Begrijpen van stolling, breken, en transport van bubbels in chemische reactoren of druppels in microfluïdische apparaten.
  • Spray en atomization: Modelleren van het uit elkaar vallen van vloeibare straal en de vorming van sprays in brandstofinjectiesystemen.

Het Shan-Chen model en de varianten ervan zijn veel gebruikt op deze gebieden, waardoor inzichten worden verschaft die moeilijk te verkrijgen zijn met traditionele CFD-methoden.

Stroom in Poreuze Media

LBM is wellicht de meest populaire numerieke methode voor het simuleren van vloeistofstroom door poreuze materialen, vanwege zijn vermogen om complexe poriegeometrieën met hoge betrouwbaarheid te hanteren. Toepassingen variëren van de porieschaal tot de continuümschaal:

  • Groundwater hydrology: Simulatie van het transport en de sanering van verontreinigingen in bodem- en aquifersystemen.
  • Vuurcellen en batterijen: Modelleren van gasdiffusie door poreuze elektroden om de prestaties te optimaliseren.
  • Katalytische converters: Analyse van de stroomverdeling en reactiekinetiek in poreuze katalysatorondersteuningen.

LBM kan direct porie-schaalstroom simuleren op röntgenmicrotomografiebeelden van echte poreuze media, waardoor porie-schaal-opschalingsstudies op Darcy-schaal mogelijk worden. Een bekende beoordeling op dit gebied is Kang et al. (2017) op Pore-Scale LBM voor Subsurface Transport.

Biologische en biomedische stromen

LBM heeft een toenemend gebruik gevonden in het simuleren van fysiologische stromen, grotendeels vanwege het vermogen om bewegende en vervormbare grenzen te hanteren. Voorbeelden zijn:

  • Bloedstroom in slagaders en aderen: LBM kan rode bloedcelmodellen opnemen en bloed simuleren als een niet-Newtonische vloeistof, waarbij fenomenen zoals celmigratie en trombusvorming worden opgenomen.
  • Afzuigstromen: Modellering van de luchtstroom in de menselijke longen, inclusief deeltjesdepositie voor onderzoeken naar de toediening van geneesmiddelen.
  • Microfluidic lab-on-a-chip-apparaten: Simulatie van celsortering, mengen en druppelvorming voor medische diagnostiek.

De flexibiliteit van LBM bij het hanteren van ondergedompelde bewegende lichamen is bijzonder waardevol voor het bestuderen van hartklepdynamica en rode bloedcel vervorming onder schuifstroom.

Aerodynamica en ruimtevaarttechniek

LBM is succesvol toegepast op aerodynamische simulaties, vooral voor stromen rond complexe geometrieën zoals vliegtuigvleugels, landingsgestel en windturbinebladen. De methode inherent parallelisme maakt het mogelijk om te schalen naar grote rekendomeinen, en zijn vermogen om turbulente stromen te behandelen via Large-Eddy Simulation (LES) subgrid modellen heeft het een levensvatbaar alternatief voor Navier-Stokes-oplossers voor bepaalde toepassingen. Commercial LBM software zoals PowerFLOW van Dassault Systèmes wordt nu gebruikt door auto- en ruimtevaartbedrijven om externe aerodynamische, aero-akoestische en thermische beheer simuleren.

Voordelen van LBM boven traditionele CFD-methoden

LBM biedt verschillende voordelen die de goedkeuring ervan hebben geleid:

Computational Efficiency and Parallelizability

De streaming stap in LBM omvat alleen de meest nabijgelegen data-uitwisselingen, waardoor het triviaal is om parallelle architecturen zoals GPU's en gedistribueerde geheugenclusters te implementeren. Veel LBM-codes bereiken bijna lineaire schaalvorming tot duizenden kernen, waardoor de simulatie-omlooptijd drastisch wordt verminderd. Deze efficiëntie maakt het mogelijk om grootschalige problemen te simuleren die computeronderbrekend zijn voor Navier-Stokes-oplossers met behulp van body-fitted grids.

Gemak van de behandeling Complexe geometrieën

Omdat LBM een uniform of hiërarchisch verfijnd Cartesisch raster gebruikt, vereist geometrierepresentatie geen mesh-generatie. In plaats daarvan worden vaste obstakels voorgesteld door roosternodes als vloeistof of vaste te markeren. Gebogen grenzen kunnen worden ondergebracht met behulp van geïnterpoleerde bounce-back of ondergedompelde grensmethoden zonder te hermederen. Dit vereenvoudigt de simulatie van stromen door poreuze media, biologische structuren en engineering componenten met ingewikkelde vormen.

Natuurlijke behandeling van multifase- en interfaciale stromen

In tegenstelling tot volume-of-fluid of niveau-set methoden gebruikt in traditionele CFD, LBM multifase modellen niet expliciete interface reconstructie nodig. De interface komt van nature uit de deeltjesdynamiek, die coderen vereenvoudigt en vermindert de berekeningskosten. Dit voordeel heeft LBM een voorkeurstool voor het bestuderen van microfluidic druppel generatie en bubble dynamics.

Uitdagingen en beperkingen van LBM

Ondanks de vele sterke punten is LBM niet zonder beperkingen die zorgvuldig moeten worden overwogen voor praktische simulaties.

Stabiliteitsproblemen bij hoge Reynolds-nummers

De standaard BGBK-botsingsoperator wordt onstabiel wanneer de ontspanningstijd τ nadert op 0,5 (d.w.z. lage viscositeit). Dit beperkt LBM tot laminaire of matig turbulente stromen tenzij geavanceerde botsmodellen (MRT, entroop) of turbulentiemodellen (LES, Reynolds-gemiddelded) worden gebruikt. Zelfs dan, het handhaven van stabiliteit op zeer hoge Re vaak fijne roosters en kleine tijdstappen, verhogen van de rekenkosten.

Compressibility en laag Mach Number Constraint

LBM is inherent een zwak comprimeerbare methode, wat betekent dat het kleine dichtheidsschommelingen toelaat die fysiek verwaarloosbaar maar numeriek noodzakelijk zijn. Om oncompressibel stroomgedrag te herstellen, moet het Mach-nummer laag gehouden worden (meestal M < 0,3). Als het Mach-nummer deze limiet overschrijdt, worden compressibiliteitsfouten significant. Deze beperking maakt LBM minder geschikt voor supersonische of hypersonische stroomsimulaties zonder bijkomende wijzigingen.

Parameter Tuning en modelkalibratie

Multifase- en thermische LBM-modellen introduceren vaak vrije parameters (bijvoorbeeld interactiesterkte, ontspanningstijdverhoudingen) die moeten worden gekalibreerd aan de hand van experimentele gegevens of analytische oplossingen. Dit kan tijdrovende gevoeligheidsstudies vereisen, en de optimale parameters kunnen variëren tussen verschillende stroomregimes. Voor niet-Newtonische vloeistoffen moet de relatie tussen viscositeit en afschuifsnelheid van tevoren bekend zijn, wat een andere laag complexiteit toevoegt.

Het lopende onderzoek blijft de mogelijkheden en toepassingen van LBM uitbreiden. Verschillende veelbelovende richtingen zijn het vermelden waard.

Koppeling met andere numeriek gebruikte methoden

Hybride methoden die LBM combineren met eindige elementen of eindige volumebenaderingen krijgen tractie. Bijvoorbeeld, LBM kan worden gebruikt om de nabijwandstroom te simuleren terwijl een Navier-Stokes-oplosser het verveld behandelt, of LBM kan vloeistofstroom modelleren terwijl een discrete elementmethode (DEM) deeltjesinteracties behandelt. Deze gekoppelde methoden maken efficiënte simulatie van vloeistof-structuurinteractie, gefluïdiseerde bedden en deeltjesstromen over meerdere schalen mogelijk.

Versnelling met machineleren

Machine learning technieken worden geïntegreerd met LBM om simulaties te versnellen en de nauwkeurigheid van het model te verbeteren. Neurale netwerken kunnen botsingsoperatoren leren die stabieler zijn dan BGBK, of dure subgrid-schaalmodellen in turbulente stroomsimulaties vervangen. Daarnaast kunnen ML-gebaseerde surrogate modellen LBM parameters in realtime voorspellen voor optimalisatie- en controletoepassingen. Een recent overzicht is te vinden in Dit artikel over ML-versnelde LBM[.

GPU en Exascale Computing

Het enorme parallellisme van LBM maakt het ideaal voor implementatie op moderne GPU-versnelde supercomputers. Verschillende open-source LBM-codes, zoals Palabos en OpenLB, bieden al GPU-ondersteuning, waardoor simulaties met miljarden roosternodes mogelijk worden. Aangezien exascale computing mainstream wordt, zal LBM waarschijnlijk in de voorhoede staan van grootschalige vloeistofdynamica simulaties, waaronder full-scale windpark modellering en real-time virtuele prototypes.

Uitbreiding tot biomedische en milieutechnische technieken

LBM's vermogen om vervormbare deeltjes en complexe geometrieposities te behandelen, kan het goed gebruiken voor de ontwikkeling van geneesmiddelen in Silico, gepersonaliseerde geneeskunde en milieusanering. Bijvoorbeeld, patiëntspecifieke simulaties van de bloedstroom in cerebrale aneurysma's kunnen chirurgische planning begeleiden. Ook LBM simulaties van reactief transport in grondwater kunnen helpen bij het ontwerpen van effectievere bioremediatiestrategieën.

Conclusie

De Lattice Boltzmann Methode heeft zich bewezen als een zeer effectieve en conceptueel elegante aanpak voor het simuleren van complexe vloeistofstromen. De mesoscopische fundamenten, eenvoudige algoritme en natuurlijke parallelle schaalbaarheid maken het een overtuigend alternatief voor traditionele Navier-Stokes-oplossers voor een breed scala van toepassingen, van multifasestromen in poreuze media tot aerodynamica van voertuigen en bloedstroom in het menselijk lichaam. Terwijl uitdagingen zoals stabiliteit bij hoge Reynolds-nummers en de noodzaak voor zorgvuldige parameter tuning blijven bestaan, blijven de voortdurende vooruitgang in botsingsmodellen, hybride methoden en machine learning snel deze beperkingen aanpakken. Aangezien computationele middelen blijven groeien en LBM-software volwassener wordt, kunnen we verwachten dat de methode een steeds centralere rol speelt in wetenschappelijke ontdekking en engineering ontwerp in disciplines. Voor onderzoekers en beoefenaren die een robuuste, flexibele en productie-ready simulatietool zoeken, biedt LBM een uitstekende balans van nauwkeurigheid, efficiëntie en gemak van implementatie.