Table of Contents

Метод Латтиса Больцмана (LBM) появился как мощный и универсальный вычислительный инструмент для моделирования сложных потоков жидкости в широком диапазоне масштабов и приложений. В отличие от традиционных подходов к вычислительной динамике жидкости (CFD), которые решают уравнения Навье-Стокса напрямую, LBM работает на мезоскопическом уровне, моделируя поведение жидкости посредством эволюции функций распределения частиц на дискретной решетке. Это фундаментальное различие наделяет LBM уникальными преимуществами, особенно в обработке сложных геометрий, многофазных потоков и архитектур параллельных вычислений. За последние три десятилетия LBM превратился из нишевой академической техники в широко принятый метод как в исследованиях, так и в промышленности, что позволяет детально моделировать такие явления, как турбулентные потоки, пористый медиатранспорт и биологическая механика жидкости.

Основополагающие принципы метода Латтиса Больцмана

В своей основе LBM дискретизирует как пространство, так и время, представляя жидкость как совокупность фиктивных частиц, движущихся по регулярной решетке. Первичные переменные — это функции распределения частиц fieix и времяt. Эволюция этих функций распределения регулируется уравнением Латтиса Больцмана, которое состоит из двух ключевых шагов: потоковой передачи и столкновения.

потоковое

На этапе потоковой передачи каждая функция распределения распространяется на соседний участок решётки вдоль соответствующего направления скорости. Математически это выражается в виде:

fi[x +]eiΔt, t + Δt] =fi[x, t][после потоковой передачи]

Этот шаг захватывает адвекцию частиц в жидкости, и он вычислительно прост, потому что он включает в себя только передачу данных ближайшего соседа на решетке.

Столкновение

После потоковой передачи функции распределения подвергаются процессу столкновения, который расслабляет их к локальному равновесному распределению. Наиболее распространенной моделью столкновения является приближение Бхатнагар-Гросс-Крук (BGK), которое использует одно время релаксации.

fififieq[x, t]][[FLT]][[FLT]][[FLT]]][[FLT]][[FLT]][[FLT]][[FLT]][[FLT]][[FLT]]][[FLT]][[FLT]]

Здесь fieqeq — функция распределения равновесия, полученная из распределения Максвелла-Больцмана, расширенного до второго порядка по скорости. Время релаксации τ непосредственно связано с кинематической вязкостью жидкости: ν = c]2(τ — 0,5)Δt, где cs — скорость решётки звука. Благодаря этому циклу потокового столкновения LBM воспроизводит уравнения Навье-Стокса в макроскопическом пределе, при условии, что поток находится в режиме числа Маха.

Граничные условия в LBM

Одной из самых сильных сторон МБР является ее способность с относительной легкостью обрабатывать сложные граничные условия.

  • Обратно-отскока граничного условия: Простое безскальзывающее состояние, при котором частицы, попадающие в сплошную стенку, отражаются обратно в жидкость. Этот метод легко реализовать для произвольно сформированных препятствий, так как решетка решетки не должна соответствовать геометрии.
  • Интерполированный отскоок: Улучшает точность на изогнутых границах, взвешивая отражение на основе точного расположения стены.
  • Зоу-Хе скорость и давление граничные условия: Используется для наложения предписанной скорости или давления на входы и выходы путем решения неизвестных функций распределения на граничных узлах.

Эти граничные схемы делают МЛМ особенно привлекательной для моделирования потоков через пористые среды, микрофлюидные устройства и биологические системы, где геометрия нерегулярна и сложна.

Продвинутые модели и вариации LBM

Хотя базовая BGK-LBM эффективна для простых однофазных потоков, для решения более сложных физических явлений было разработано множество расширений.

Многофазные и многокомпонентные модели

LBM естественным образом поддерживает многофазное и многокомпонентное моделирование посредством введения сил интерчастиц. Псевдопотенциальная модель Шань-Чена является одним из наиболее широко используемых подходов, где сила, пропорциональная градиенту потенциальной функции, действует между компонентами жидкости. Эта модель может имитировать фазовое разделение, динамику пузырьков и капель и явления смачивания на твердых поверхностях. Другие многофазные модели включают подход свободной энергии, который обеспечивает термодинамическую согласованность, и метод цветового градиента, который отслеживает интерфейсы с помощью функции окрашивания. Эти инструменты позволяют детально изучать эмульсии, пены и многофазные потоки в пористых средах.

Тепловые и неньютоновские жидкостные модели

Для имитации потоков с теплообменом LBM можно расширить, добавив внутреннюю функцию распределения энергии, которая развивается аналогично распределениям плотности. Эта так называемая тепловая LBM позволяет проводить естественные конвекционные симуляции без решения энергетического уравнения отдельно. Для неньютоновских жидкостей время релаксации τ может быть выполнено функцией локальной скорости сдвига, что позволяет имитировать кровоток, полимерные расплавы и другие жидкости, разжижающие сдвига или утолщающие сдвига.

Энтропные и многорелаксационные модели (MRT)

Модель BGK имеет ограничения по устойчивости, особенно при высоких числах Рейнольдса или низких вязкости. Для повышения устойчивости разработаны продвинутые операторы столкновения. Модель Multiple-Relaxation-Time (MRT) использует различные параметры релаксации для разных моментов функции распределения, обеспечивая лучший контроль над диссипативными процессами и повышенную числовую стабильность. Entropic LBM обеспечивает соблюдение второго закона термодинамики, гарантируя, что шаг столкновения всегда снижает энтропию системы, приводя к безусловно стабильным схемам. Эти модели необходимы для моделирования турбулентных потоков и проблем с высоким числом Рейнольдса.

Применение LBM в сложных жидкостных потоках

Универсальность LBM привела к его принятию в широком спектре научных и инженерных областей. Ниже мы рассмотрим несколько ключевых областей применения, где LBM оказалась особенно эффективной.

Многофазные и многокомпонентные потоки

Способность LBM моделировать интерфейсы между различными фазами без явного отслеживания интерфейсов делает его идеальным для изучения многофазных явлений.

  • Восстановление нефти: Моделирование смещения нефти водой или газом в пористых породах резервуара, где капиллярные силы и смачиваемость играют критически важную роль.
  • Динамика пузырьков и капель: Понимание коалесценции, распада и транспортировки пузырьков в химических реакторах или капель в микрофлюидных устройствах.
  • Спрей и атомизация: Моделирование распада жидких струй и образования спреев в системах впрыска топлива.

Модель Шань-Чен и ее варианты широко используются в этих областях, обеспечивая понимание, которое трудно получить с помощью традиционных методов CFD.

Поток в пороховых СМИ

LBM, возможно, является самым популярным численным методом для моделирования потока жидкости через пористые материалы, благодаря его способности обрабатывать сложные поровые геометрии с высокой точностью.

  • Гидрология грунтовых вод: Моделирование переноса загрязняющих веществ и их рекультивации в почве и системах водоносных горизонтов.
  • Топливные элементы и батареи: Моделирование диффузии газа через пористые электроды для оптимизации производительности.
  • Каталитические преобразователи: Анализ распределения потока и кинетики реакции в пористых опорах катализатора.

LBM может непосредственно имитировать поток пор на рентгеновских микротомографических изображениях реальных пористых сред, что позволяет масштабировать поры в масштаб Дарси, масштабируя исследования. Хорошо известный обзор в этой области - Kang et al. (2017) on Pore-Scale LBM for Subsurface Transport .

Биологические и биомедицинские потоки

LBM находит все большее применение в моделировании физиологических потоков, в основном из-за его способности обрабатывать движущиеся и деформируемые границы.

  • Кровоток в артериях и венах: LBM может включать модели красных кровяных клеток и имитировать кровь как неньютоновскую жидкость, захватывая такие явления, как миграция клеток и образование тромбов.
  • Дыхательные потоки: Моделирование воздушного потока в легких человека, включая осаждение частиц для исследований доставки лекарств.
  • Микрофлюидные лабораторные устройства на чипе: Моделирование сортировки клеток, смешивания и образования капель для медицинской диагностики.

Гибкость LBM в обращении с погруженными движущимися телами особенно ценна для изучения динамики сердечного клапана и деформации красных кровяных телец под сдвигающим потоком.

Аэродинамика и аэрокосмическая инженерия

LBM успешно применяется к аэродинамическому моделированию, особенно для потоков вокруг сложных геометрий, таких как крылья самолета, шасси и лопасти ветряных турбин. Врожденный параллелизм метода позволяет ему масштабироваться в большие вычислительные области, а его способность обрабатывать турбулентные потоки через подсетевые модели Large-Eddy Simulation (LES) сделала его жизнеспособной альтернативой решателям Navier-Stokes для определенных приложений. Коммерческое программное обеспечение LBM, такое как PowerFLOW от Dassault Systèmes, теперь используется автомобильными и аэрокосмическими компаниями для моделирования внешней аэродинамики, аэроакустики и управления температурой.

Преимущества LBM перед традиционными методами CFD

LBM предлагает несколько преимуществ, которые привели к его принятию:

Вычислительная эффективность и параллелизуемость

Потоковый этап в LBM включает в себя только обмен данными ближайших соседей, что делает его тривиальным для реализации на параллельных архитектурах, таких как графические процессоры и распределенные кластеры памяти. Многие коды LBM достигают почти линейного масштабирования до тысяч ядер, резко сокращая время оборота моделирования. Эта эффективность позволяет моделировать крупномасштабные проблемы с высоким разрешением, которые были бы вычислительно непозволительными для решателей Navier-Stokes с использованием установленных на корпусе сеток.

Легкость обработки сложных геометрий

Поскольку LBM использует однородную или иерархически утонченную декартовую сетку, геометрическое представление не требует генерации сетки. Вместо этого сплошные препятствия представлены маркировкой узлов решетки как жидких или твердых. Изогнутые границы могут быть размещены с помощью интерполированных методов отскока или погружения без перемешания. Это упрощает моделирование потоков через пористые среды, биологические структуры и инженерные компоненты со сложными формами.

Природная обработка многофазных и межфазных потоков

В отличие от методов объем-флюид или уровень-набор, используемых в традиционных CFD, многофазные модели LBM не требуют явной реконструкции интерфейса. Интерфейс естественным образом возникает из динамики частиц, что упрощает кодирование и снижает вычислительные затраты. Это преимущество сделало LBM предпочтительным инструментом для изучения микрофлюидной капельной генерации и динамики пузырьков.

Проблемы и ограничения МБР

Несмотря на свои сильные стороны, LBM не лишен ограничений, которые необходимо тщательно рассмотреть для практического моделирования.

Проблемы стабильности в высоких числах Рейнольдса

Стандартный оператор столкновения BGK становится нестабильным, когда время релаксации τ приближается к 0,5 (т.е. низкая вязкость). Это ограничивает LBM ламинарными или умеренно турбулентными потоками, если не используются продвинутые модели столкновения (МРТ, энтропийные) или модели турбулентности (LES, Reynolds-средний).Даже тогда поддержание стабильности при очень высоком Re часто требует тонких сеток и небольших временных шагов, увеличивая вычислительные затраты.

Сжимаемость и ограничение количества Маха

LBM по своей сути является слабо сжимаемым методом, то есть он допускает небольшие флуктуации плотности, которые физически незначительны, но численно необходимы. Для восстановления несжимаемого поведения потока число Маха должно быть низким (обычно M < 0,3). Если число Маха превышает этот предел, ошибки сжимаемости становятся значительными. Это ограничение делает LBM менее подходящим для моделирования сверхзвукового или гиперзвукового потока без дополнительных модификаций.

Настройка параметров и калибровка модели

Многофазные и тепловые модели LBM часто вводят свободные параметры (например, прочность взаимодействия, временные соотношения релаксации), которые должны быть откалиброваны по экспериментальным данным или аналитическим решениям. Это может потребовать трудоемких исследований чувствительности, а оптимальные параметры могут варьироваться в зависимости от различных режимов потока. Для неньютоновских жидкостей взаимосвязь между вязкостью и скоростью сдвига должна быть известна заранее, добавив еще один слой сложности.

Будущие направления и новые тенденции

Продолжающиеся исследования продолжают расширять возможности и применение БРМ. Стоит отметить несколько перспективных направлений.

Связь с другими численными методами

Гибридные методы, сочетающие LBM с подходами конечных элементов или конечных объемов, набирают тягу. Например, LBM можно использовать для моделирования потока ближнего замыкания, в то время как решатель Navier-Stokes обрабатывает дальний участок, или LBM может моделировать поток жидкости, в то время как метод дискретных элементов (DEM) обрабатывает взаимодействия частиц. Эти связанные методы позволяют эффективно моделировать взаимодействие структуры жидкости, флюидизированные слои и потоки частиц в нескольких масштабах.

Ускорение с машинным обучением

Методы машинного обучения интегрируются с LBM для ускорения моделирования и повышения точности модели. Нейронные сети могут обучать операторов столкновений, которые более стабильны, чем BGK, или заменять дорогие модели подсетевого масштаба в турбулентном моделировании потока. Кроме того, суррогатные модели на основе ML могут прогнозировать параметры LBM в режиме реального времени для приложений оптимизации и управления. Недавний обзор можно найти в В этой статье о LBM с ускорением ML .

GPU и Exascale Computing

Массивный параллелизм LBM делает его идеальным для развертывания на современных ускорительных GPU суперкомпьютерах. Несколько кодов LBM с открытым исходным кодом, таких как Palabos и OpenLB, уже предлагают поддержку GPU, позволяя моделировать с миллиардами решетчатых узлов. По мере того, как экзафлопсные вычисления станут мейнстримом, LBM, вероятно, будет находиться на переднем крае крупномасштабного моделирования динамики текучей среды, включая полномасштабное моделирование ветровых электростанций и виртуальное прототипирование в реальном времени.

Расширение в биомедицинской и экологической инженерии

Способность LBM обрабатывать деформируемые частицы и сложные геометрии хорошо позиционирует его для разработки лекарств в силикозе, персонализированной медицины и восстановления окружающей среды. Например, моделирование потока крови у пациентов при аневризмах головного мозга может направлять хирургическое планирование. Аналогичным образом, моделирование реактивного транспорта в грунтовых водах может помочь в разработке более эффективных стратегий биоремедиации.

Заключение

Метод Латтиса Больцмана зарекомендовал себя как высокоэффективный и концептуально элегантный подход для моделирования сложных потоков жидкости. Его мезоскопические основы, простой алгоритм и естественная параллельная масштабируемость делают его убедительной альтернативой традиционным решениям Navier-Stokes для широкого спектра применений, от многофазных потоков в пористых средах до аэродинамики транспортных средств и кровотока в организме человека. В то время как такие проблемы, как стабильность при высоких числах Рейнольдса и необходимость тщательной настройки параметров, продолжаются достижения в моделях столкновений, гибридных методах и машинном обучении, быстро устраняют эти ограничения. Поскольку вычислительные ресурсы продолжают расти, а программное обеспечение LBM становится более зрелым, мы можем ожидать, что метод будет играть все более центральную роль в научных открытиях и инженерном проектировании по дисциплинам. Для исследователей и практиков, ищущих надежный, гибкий и готовый к производству инструмент моделирования, LBM предлагает отличный баланс точности, эффективности и простоты реализации.