Learning rheological parameters of non-Newtonian fluids from velocimetry data

要約

流速測定データを同化するベイジアン逆ナビエ・ストークス (N-S) 問題を解き、流れ場を共同で再構築し、未知の N-S パラメーターを学習します。
カローせん断減粘粘度モデルを N-S 問題に組み込むことにより、せん断減粘流体の最も可能性の高いカレウ パラメーターを学習し、流速測定データのみからその不確実性を推定するアルゴリズムを考案しました。
次に、フロー MRI 実験を実行して、血液類似流体の理想的な医療機器 (FDA ノズル) を通る軸対称層流ジェットの流速測定データを取得します。
アルゴリズムが最も可能性の高い Carreau パラメータを学習することで流れ場を正常に再構築できること、および学習されたパラメータがレオメトリ測定と非常によく一致していることを示します。
このアルゴリズムは、モデルが微分可能である限り、任意の代数有効粘度モデルを受け入れます。また、粘弾性モデルが N-S 問題に組み込まれている場合は、より複雑な非ニュートン流体 (例: Oldroyd-B 流体) に拡張できます。

要約(オリジナル)

We solve a Bayesian inverse Navier-Stokes (N-S) problem that assimilates velocimetry data in order to jointly reconstruct the flow field and learn the unknown N-S parameters. By incorporating a Carreau shear-thinning viscosity model into the N-S problem, we devise an algorithm that learns the most likely Carreau parameters of a shear-thinning fluid, and estimates their uncertainties, from velocimetry data alone. We then conduct a flow-MRI experiment to obtain velocimetry data of an axisymmetric laminar jet through an idealised medical device (FDA nozzle) for a blood analogue fluid. We show that the algorithm can successfully reconstruct the flow field by learning the most likely Carreau parameters, and that the learned parameters are in very good agreement with rheometry measurements. The algorithm accepts any algebraic effective viscosity model, as long as the model is differentiable, and it can be extended to more complicated non-Newtonian fluids (e.g. Oldroyd-B fluid) if a viscoelastic model is incorporated into the N-S problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google