Table of Contents

Введение в CFD для анализа разлива нефти

Разливы нефти остаются одним из самых катастрофических экологических бедствий, с далеко идущими последствиями для морских экосистем, прибрежной экономики и общественного здравоохранения. Крупные инциденты, такие как Deepwater Horizon (2010) и Exxon Valdez (1989) выпустили миллионы баррелей сырой нефти в чувствительные морские среды, нанося долгосрочный ущерб, который сохраняется в течение десятилетий. Эффективное реагирование и смягчение последствий зависят от способности быстро и точно прогнозировать траекторию и дисперсию нефти после разлива. Традиционные методы, основанные на упрощенных аналитических моделях, часто не дотягивают до захвата сложной физики взаимодействия нефти и воды, турбулентного смешивания и влияния динамических океанических условий. Вычислительная динамика жидкостей (CFD) появилась в качестве мощного инструмента, который может имитировать подробное поведение разливов нефти путем решения управляющих уравнений потока жидкости и транспорта. Эта статья обеспечивает углубленное исследование

Основы CFD для многофазных потоков нефти и воды

CFD решает уравнения сохранения массы, импульса и энергии в дискретной вычислительной области. Для моделирования разливов нефти поток по своей сути многофазный: нефть и вода являются несмешивающимися жидкостями с различной плотностью, вязкостью и межфазными напряжениями. Для фиксации этого поведения используется несколько подходов моделирования:

Эвлериан-Эвлериан (двухжидкостные) модели

В рамках Эйлера-Эвлера нефть и вода рассматриваются как взаимопроникающие континуумы. Для каждой фазы решаются отдельные наборы уравнений Навье-Стокса, при этом обменные условия учитывают перетаскивание, подъем и турбулентную дисперсию. Этот метод хорошо подходит для дисперсных капель нефти при умеренных концентрациях, но требует тщательной модели закрытия для межфазного переноса импульса.

Эвлериан-лагранжианская (дискретная фаза) модели

Здесь вода рассматривается как непрерывная фаза, а капли масла отслеживаются как дискретные частицы. Траектория каждой капли вычисляется путем интеграции таких сил, как сопротивление, плавучесть и виртуальная масса. Такой подход идеально подходит для изучения судьбы разлитого масла, которое распадается на капли под действием волны, но становится вычислительно дорогим для очень плотных популяций капель.

Метод объем-флюид (VOF)

Для больших масляных щелей и непрерывных выпусков метод VOF отслеживает интерфейс между маслом и водой непосредственно, решая уравнение транспортировки для объемной доли каждой фазы. VOF захватывает острый интерфейс и отлично подходит для моделирования начального распространения щели, но может потребовать очень тонких сеток рядом с интерфейсом, чтобы избежать численной диффузии.

Выбор многофазной модели зависит от сценария разлива: выпуск ближнего поля (разрыв танкера или трубопровода) часто требует VOF для решения поведения струи / обломка, в то время как дисперсия дальнего поля на километры лучше обрабатывается с помощью подходов Эйлера-Лагранжа, которые учитывают распад капель, коалесценцию и выветривание.1

Ключевые факторы, влияющие на дисперсию нефти

Распространение и судьба нефти в морской среде определяются сложным взаимодействием физических, химических и биологических процессов. Модели КФД должны включать эти факторы для получения реалистичных прогнозов.

Текущая скорость и адвекция

Океанские течения являются основным драйвером транспортировки нефти. Моделирование CFD требует ввода скоростных полей либо из более масштабных моделей океана, либо путем решения уравнений мелководья в вычислительной области. Приливные токи, ветровые поверхностные токи и потоки, управляемые плотностью, способствуют адвекции нефтяного слика. Модели должны учитывать вертикальный сдвиг, который может вызвать дифференциальное распространение поверхностного слика по сравнению с подводными каплями.

Волновое действие и турбулентное смешивание

Волны усиливают смешивание масла в водяной столбец, разбивая скользкий слой на капли и увеличивая турбулентную кинетическую энергию вблизи поверхности. Модели CFD часто используют волновые спектры для генерации грубой свободной поверхности или используют модели турбулентности (например, k-ε, SST k-ω) для имитации рассеивания и дисперсии. Разбивающиеся волны могут впрыскивать капли масла до нескольких метров глубиной, процесс, который имеет решающее значение для прогнозирования подземного нефтяного шлейфа, часто наблюдаемого в разливах глубоководных вод.

Температура и соленость

Температура воды напрямую влияет на вязкость масла: теплое масло распространяется быстрее и образует более тонкие щели, в то время как холодное масло остается более вязким и может эмульгировать по-разному. Соленость влияет на стратификацию плотности, которая может удерживать нефть под поверхностью. Коды CFD могут включать формулы вязкости, зависящие от температуры (например, уравнение Андраде) и использовать соотношения уравнения состояния для плотности морской воды.

Нефтяные свойства и выветривание

Химический состав разлитой нефти определяет ее поведение. Легкие сырые продукты быстро испаряются, уменьшая объем, доступный для дисперсии, в то время как тяжелые сырые продукты имеют тенденцию образовывать постоянные щели. Со временем нефть подвергается выветриванию: испарению, эмульсификации (формирование муссов воды в масле), фотоокислению и биодеградации. Современные модели CFD сочетаются с выветриванием суб-модели для обновления плотности масла, вязкости и поверхностного натяжения в качестве функций времени и условий окружающей среды.]2

Подробное моделирование CFD Workflow

Создание надежной модели CFD для дисперсии нефти следует структурированному рабочему процессу. Каждый шаг напрямую влияет на точность и полезность результатов.

Создание геометрии

Вычислительная область должна представлять соответствующую морскую среду, включая батиметрию, береговые линии, искусственные структуры (например, волнорезы, платформы) и геометрию источника разлива. Для моделирования ближнего поля область может простираться на сотни метров; для исследований дальнего поля она может охватывать десятки километров. Инструменты геометрии на основе САПР (например, Rhinoceros, SpaceClaim) используются для моделирования сложных береговых линий, в то время как модели океанского масштаба могут быть связаны через граничные условия из более крупной области.

Поколение Mesh

Соответствующая сетка имеет решающее значение для разрешения широкого диапазона задействованных шкал длины — от капель миллиметрового размера до щелей километрового масштаба. Неструктурированные сетки с адаптивной уточненностью распространены, используя более тонкие ячейки вблизи поверхности, источника разлива и любых областей высоких градиентов. Для моделирования VOF сетка должна быть достаточно тонкой для поддержания резкого интерфейса; типичные размеры ячеек вблизи свободной поверхности могут быть порядка сантиметров. Точность баланса сеток полиэдрических и обрезанных ячеек и вычислительная стоимость.

Границы и начальные условия

В качестве граничных условий должны быть предписаны атмосферные условия (скорость и направление ветра), волновые спектры и профили океанического тока. Для разлива указаны скорость, продолжительность и начальная температура масла. Открытые границы на боковых и нисходящих протяженностях домена позволяют потоку оставлять без ложных отражений. Для многофазных симуляций начальная объемная доля нефти может быть установлена на ноль с добавленным исходным термином для представления события разлива.

Решать управляющие уравнения

Переходные симуляции выполняются с использованием конечного решателя объема (например, ANSYS Fluent, OpenFOAM, STAR-CCM +). Шаги времени выбираются для удовлетворения состояния Куранта-Фридрикса-Льюи (CFL), часто менее 0,5 для явных схем. Связь скорости давления обрабатывается алгоритмом PISO или SIMPLE. Турбулентность моделируется с использованием RANS (Reynolds-Averaged Navier-Stokes) или, для более высокой точности, LES (Large Eddy Simulation). Для типичного сценария разлива моделирование RANS может потребовать от нескольких часов до дней на многоядерной рабочей станции, в то время как LES может потребовать недели вычислительного времени.

Последующее производство и анализ

Результаты моделирования визуализируются для отображения контуров концентрации масла, толщины скользящего слоя, распределения размера капель и времени прибытия в чувствительных местах.Извлекаются количественные показатели, такие как общая масса масла в водной колонне, площадь блеска и время достижения береговой линии. Эти данные непосредственно сообщают о выделении скиммеров, стрел и диспергирующих приложений.

Приложения в реальных сценариях

CFD была проверена на наличие нескольких крупных разливов и все чаще используется в планировании и реагировании.

Deepwater Horizon Blowout (альбом)

Катастрофа в Мексиканском заливе в 2010 году выпустила около 4,9 миллиона баррелей нефти в течение 87 дней. Модели CFD использовались для моделирования динамики плавучих струй и шлейфов вблизи скважины (] ближнего поля ) и последующей дисперсии капель нефти в глубоководных течениях. Исследователи из Университета Майами применили гибридный подход VOF-Eulerian Lagrangian для прогнозирования глубины, при которой капли нефти стали нейтрально плавучими — ключевой фактор, который объяснил образование подземного шлейфа на глубинах 1000-1300 м. 3 Эти моделирования помогли оценить скорость потока от выдувания и руководили размещением дисперсных инжекторных сопел.

Exxon Valdez Spill — Hindcast Validation (англ.)русск.

Разлив 1989 года в Prince William Sound, Аляска, выпустил около 11 миллионов галлонов сырой нефти. Ретроспективные исследования CFD реконструировали траекторию разлива с использованием архивных данных о погоде и текущем состоянии. Сравнивая смоделированное движение слайка с фактическими исследованиями смазанной береговой линии, исследователи подтвердили точность включения приливных течений и факторов дрейфа ветра. Валидированные модели теперь используются для обучения персонала реагирования и планирования сезонных буров.

Оперативная поддержка реагирования

Несколько национальных агентств, включая Национальное управление океанических и атмосферных исследований (NOAA) и Европейское агентство по безопасности на море (EMSA) , включают результаты CFD в свои инструменты реагирования. Например, модель GNOME NOAA использует упрощенную физику для быстрых прогнозов, но когда требуется более высокая точность (например, для разлива вблизи морской охраняемой зоны), вводится в эксплуатацию полное моделирование CFD и выполняется в течение 12-24 часов для направления контрмер в реальном времени.

Преимущества для экологического реагирования и планирования

Полученные в результате анализа CFD данные непосредственно повышают эффективность и результативность операций по ликвидации разливов.

  • Прогнозирование траектории разлива — знание того, куда будет двигаться нефть, позволяет респондентам заранее реагировать на позиционные бумы, скиммеры и абсорбирующие материалы, а не реагировать после приземления нефти.
  • Направление диспергирующего действия — CFD может идентифицировать окна с высокой турбулентностью и волновой энергией, когда диспергаторы наиболее эффективны при разбивании слика на небольшие капли для биодеградации.
  • Оценка экологического воздействия — путем моделирования концентрации нефти с течением времени, агентства могут уделять приоритетное внимание защите чувствительных мест обитания, таких как мангровые заросли, коралловые рифы и нерестилища рыб.
  • Распределение ресурсов — моделирование помогает оценить количество нефти, которое достигнет данной береговой линии, что позволяет своевременно развертывать команды очистки и сокращать потраченные усилия в районах, которые остаются незатронутыми.
  • Обучение и планирование сверления — реалистичные сценарии на основе CFD-моделирования используются в настольных упражнениях и тренировочных симуляторах в реальном времени для команд инцидентов.

Проверка и проверка

Хотя CFD является мощным инструментом, его прогнозы должны быть проверены на основе экспериментальных данных и полевых наблюдений, чтобы установить достоверность. Эксперименты с лабораторным потоком были выполнены для изучения образования капель нефти в контролируемых волновых и текущих условиях. Например, испытательный центр OHMSETT (теперь эксплуатируемый Министерством внутренних дел США) обеспечивает 200-метровый волновой бассейн, где модели CFD с скользким распространением и распределением размера капель могут быть калиброваны. 4 Эксперимент DeepSpill в Норвежском море, выпуск известных количеств нефти и сравнение измерений датчиков с предсказаниями CFD. Такие усилия улучшили надежность моделей распада капель и лечения кинетики биодеградации.

Ограничения и вычислительные проблемы

Несмотря на свои сильные стороны, CFD-моделирование разливов нефти сталкивается с рядом препятствий, с которыми должны справиться специалисты.

Расчетные затраты

Моделирование высокой точности, особенно с использованием LES или DNS (прямое численное моделирование), требует огромных вычислительных ресурсов. 24-часовое моделирование крупного разлива может занять дни или недели на кластере. Это ограничивает использование CFD для ответа в реальном времени, где решения должны приниматься в течение нескольких часов. Облачные высокопроизводительные вычисления и ускорение GPU уменьшают этот разрыв, но затраты и экспертиза, необходимые для этого, остаются значительными.

Доступность и неопределенность данных

Модели CFD хороши только как их входные данные. Точная батиметрия, текущие профили в реальном времени и прогнозы погоды не всегда доступны, особенно в отдаленных регионах океана. Неопределенности в этих граничных условиях распространяются через моделирование, приводя к границам ошибок, которые могут быть большими. Анализ чувствительности и ансамбльные прогоны (тип Монте-Карло) используются для количественной оценки этой неопределенности, но они умножают вычислительную нагрузку.

Мультифизическая связь

Выветривание нефти, биологическая деградация и химическая дисперсия являются сложными процессами, которые еще не полностью улавливаются в большинстве кодов CFD. Например, образование эмульсий «вода в масле» по-прежнему является областью активных исследований, и модели часто полагаются на эмпирические корреляции, которые могут не сохраняться для всех типов масла. Интеграция CFD с биологическими и химическими модулями (например, для микробной деградации) является постоянной проблемой.

Будущие направления в CFD для исследований разливов нефти

В следующем десятилетии мы увидим значительные успехи, которые сделают CFD еще более ценным для управления разливами нефти.

Машинное обучение – улучшенные модели

Нейронные сети могут быть обучены на высокоточных базах данных CFD для получения суррогатов, которые работают в секундах, а не часах. Эти суррогатные модели могут использоваться для оценки риска в реальном времени и для изучения более широкого спектра сценариев разливов, в то время как полная модель CFD предоставляет данные обучения. Кроме того, машинное обучение может помочь параметризировать неразрешенные субсетевые процессы, такие как распад капель и коалесценция.

Цифровые двойники морских систем

Цифровой двойник разлива нефти — динамическая виртуальная копия прибрежной зоны в реальном времени — интегрирует датчики IoT (например, дрейфующие буи, спутниковые снимки, токи ADCP) с запущенной моделью CFD. Любая обнаруженная аномалия (например, блеск от утечки) немедленно вызовет моделирование для прогнозирования эволюции разлива, обновляя близнец каждые несколько минут. Такие системы разрабатываются для норвежского континентального шельфа и Мексиканского залива.

Интеграция с атмосферными моделями

Дисперсия разливов нефти не заканчивается на поверхности воды: летучие органические соединения испаряются и могут переноситься ветром, что влияет на качество воздуха и пожарную безопасность. Разрабатываются модели CFD-атмосферы для моделирования полного жизненного цикла разлитой нефти, от подземного шлейфа до атмосферного переноса паров. Этот целостный подход повысит безопасность для работников реагирования и прибрежных популяций.

Автономные системы реагирования

Надежные прогнозы CFD могут направлять автономные беспилотные летательные аппараты и беспилотные надводные суда в целевые зоны очистки. Например, беспилотник может идентифицировать самую толстую часть щели от моделирования CFD, а затем перемещаться туда для автоматического развертывания диспергаторов. Исследовательские проекты в Европе и США прототипируют такие системы, используя выходы CFD в рамках алгоритма принятия решений.

Заключение

Вычислительная динамика жидкостей стала незаменимым инструментом для анализа дисперсии разливов нефти в морской среде. Точно моделируя физику многофазного потока, взаимодействия волнового тока и выветривания нефти, CFD обеспечивает действенные прогнозы, которые уменьшают ущерб окружающей среде и экономят экономические ресурсы. В то время как вычислительные требования и неопределенности данных сохраняются, продолжающиеся достижения в высокопроизводительных вычислениях, машинном обучении и интеграции данных в реальном времени быстро сокращают разрыв между моделированием и реагированием в реальном времени. По мере того, как глобальное судоходство и производство энергии на шельфе продолжают расширяться, потребность в надежных, проверенных моделях CFD будет только расти, что делает это поле краеугольным камнем современной готовности к разливам нефти и устойчивости.