首页/文章/ 详情

Nature子刊:CFD方法可精确预测两相管道微流动的三种流动模式 | 前沿研究

6月前浏览6641
 CFD方法可精确预测两相管道微流动的三种流动模式蛇形微流体装置中两相流模式的计算流体动力学模拟

摘要:在目前的研究工作中,分析了液-液萃取(Liquid-liquidextraction, LLE)过程在蛇形微通道中的流动行为。使用3D模型进行模拟,发现结果与实验数据一致。本文测试了对氯仿(chloroform)和水的流动对流动模型的影响。数值仿真数据表明,一旦水相和有机相的流速低且相似,就会观察到段塞流模式。然而,随着整体射流速率的提高,段塞射流转变为平行的塞状射流或液滴射流。水射流的增加同时保持恒定的有机相射流速率会导致流动形态从段塞射流到液滴射流或塞流射流的转变。最后,对蛇形微通道中的流动速率模式进行了表征和描绘。本研究结果将为蛇形微流体装置中两相流模式的行为提供有价值的理解。这些信息可用于优化各种应用的微流体装置的设计。此外,该研究将证明CFD模拟在研究微流体装置中流动行为的适用性,CFD模拟是一种成本效益高且有效的实验研究替代方案。  

背景  

两相液-液(two-phaseliquid-liquid, LL)多相系统的使用在化学处理中很普遍,例如在聚合、硝化、氯化以及反应和溶剂萃取。这些工艺程序主要受到运输限制的阻碍,例如较小的传质速率。为了克服这些限制,小型化作为一种降低传输阻力和提高传输速率的实践方法,已被认为是一种很有前途的工艺强化方法。器件中微空间的利用可实现高传热和高传质速率。与宏观系统相比,微观两相流方案中更高的界面区体积比可以实现传热和传质速率的提高以及工艺效率的提高。与传统系统相比,工艺效率可以提高一个数量级。此外,扩大生产规模的便捷性提高了安全性,减少了库存需求,特别是对于使用危险和排他性化学品的系统,使微流体设备适用于广泛的应用。LL微通道中v特定系统的有效性在很大程度上取决于两种不混溶液体的流动方案。
微流体流动模式是指微尺度通道或设备中流体的流动行为模式。有三种主要的流动模式:平行流(parallel flow)、液滴流(droplet flow)和段塞流(slug flow)在微流体系统中较为常见。流动图像可以图形方式显示这些主要的流动模型与两相流之间的关系。了解微流体流动模式对于设计和优化特定应用的微流体设备非常重要。通过控制流动模式,研究人员可以操纵多相流动在微尺度通道中的行为,并开发出可以进行精确化学反应、分离和检测的设备。
基于微通道尺寸和形状、液体的物理特性(例如粘度和表面张力)、流动速率、液体的流动比和微通道壁的润湿行为等因素,在微流体工具中仔细检查了几种LL流动模式。两相微通道中最常见的LL流模式包括段塞流、塞流和液滴流。由于两相段塞内部的旋转和相邻段塞之间的扩散,段塞流在许多系统中是有利的。尽管如此,在段塞流中,微流体设备内部的混合相分离仍然是一个挑战。段塞流体动力学,特别是段塞长度和速度,对微流体装置的性能有着重要影响。根据前人研究结果显示,本文关注的流体力学问题主要受以下无量纲数控制:雷诺数(Re)、韦伯数(We)和毛细管数(Ca),来创建通用流配置图。在无量纲分析中使用的物理变量单位和无量纲数见表1和表2。  
 
表1 在无量纲分析中使用的物理变量单位      
 
表2 本文考虑的无量纲参数及其定义        
本研究使用CFD方法来确定蛇形微通道中的流动模式图,建立了微通道中的三种模式的流动:液滴流(droplet)、段塞流(slug)和插赛(plug)。本研究聚焦于微通道流动,揭示其在不同流动速率下的流动图像。此外,对微通道的多相流内部进行了数学计算,以区分蛇形微通道中的流动模型。实验结果验证了数学模拟的结果。      

数值模拟    

 控制方程  
本研究使用VOF方法对涉及LL界面的多相流进行计算。通过求解质量守恒方程与动量守恒方程求解不可压缩不可互溶两相流动过程。在气液界面上,由于两侧表面张力的差异,会发生压力跳跃。在平衡方程中考虑了这一差异,其斜率应与动量平衡中增加的物体力相匹配。通过检测玻璃侧水滴的接触角,分析了该物质的润湿特性。接触角是用标准测角仪测量的。流体的物理特性如表3所示。  
             数值方法        
A.几何图形和网格
 
本研究选择三维微通道几何形状进行流动分析。几何形状和网格如图1所示。
 
图1 (a)微通道几何形状  (b)网格划分
微通道表面光滑,平均表面粗糙度为0.22μm。横截面面积约为0.13mm2,水力直径为0.32mm。每个微通道(混合部分)的长度为102mm。由于三维结构化网格能够处理复杂的几何结构并减少误差,因此将其用于网格生成。计算域最初是使用标准边长为5、3、2和1µm的网格(网格数为495000、950000、1920000和3850000)建立的。在解释了流场和体积分数的相关性后,将模拟的段塞长度与实验数据进行绘制比较。结果如表4所示,1µm和2µm元素段塞长度估计的比较误差小于1%。所以最后选择平均长度为2µm的网格分辨率作为数值模拟的阈值。
为了评估模拟中使用的网格质量,分析了网格单元的长宽比和偏斜度。长宽比表征的是每个网格元素的伸长率,高长宽比可能导致模拟结果不准确。而偏斜度表征与规则形状的偏差,高偏斜度可能导致数值过程的不稳定性。分析结果表明,大多数元素的长宽比低于3,表明网格没有被过度拉长。此外,偏斜度也在小于0.5的可接受范围内。基于这些结果,得出的结论:网格质量可接受,适合在本模拟中使用。
B.边界条件与离散方法
对于两相流模拟,实现两个液相的均匀入口速度边界条件。在出口处,设置为液体和气体的压力出口边界条件。壁面上施加液相无滑移边界条件。数值求解采用有限体积法。选择SIMPLE算法来计算压力-速度耦合。动量方程采用二阶迎风格式离散。残差的收敛准则设置为    

结果和讨论    

流动图像(flow map)作为描述不同LL方案的流动模型的图像,其可以展示流动速率如何影响流动机制的机理。图2、图3、图4和图5分别显示了蛇形微流体通道中不同的流态—段塞流(slug flow)、液滴流(droplet flow)和插塞流(plug flow)——这一点已通过Asadi等的实验结果得到验证。仿真结果与实验结果吻合较好。
 
 
图2 段塞流流场情况,(a)图为数值模拟结果;(b)图为实验结果
图2反应了当水相和有机相的流速度很小且相似时,会导致段塞流的发生。在这种情况下,水相和有机相的流量分别为每分钟100和100µl。如图所示,有机相首先进入主通道,并占据其截面的很大一部分,导致连续相在很大程度上被阻塞。这将导致施加到界面的阻力增加,导致有机相随着时间的推移逐渐完全进入主通道。这导致施加在界面上的阻力增加,导致有机相随着时间的推移逐渐完全进入主通道。在成形团块中产生的压力梯度和作用在界面上的阻力抵消了表面张力,导致分散相从微通道的y形入口分离。在这两种力主导表面张力的作用下,分散相与y结分离,形成团块。当水相流回其指定的入口时,团块将完全分离并沿着主通道移动。这个过程以交替的方式重复。由两相流产生的团块的大小和所用流体的物理特性可以改变。  
图3 液滴流流场情况,(a)图为数值模拟结果;(b)图为实验结果  
 
图4 插塞流流场情况,(a)图为数值模拟结果;(b)图为实验结果
随着总流量的增加,段塞流转变为插塞流或液滴流。流动模式取决于形式(form)和有机相的速率。如果降低水相流速而增加有机相流速,则流动模型将由段塞流切换为液滴流,如图3a所示,水相流速为600µl/min,有机相流速为30µl/min。如果水相流速保持不变,而有机相流速增加,则得到的流动模型将始终为插塞流,如图4a所示,水相流速和有机相流速均为500μl/min。图5a-c分别为氯仿的体积分数分别在段塞流、液滴流和平行流流动模式下的情况。  
 
 
图5 不同流动模型下,氯仿的三维流动体积分数分布图
图6中的流图展示了流量对液-液体系流态的影响。在中等状态下,可以观察到水相和有机相的流量相当的段塞流。随着总流量的增加,流动形式转变为塞流或液滴流。在水流量保持不变,有机相流量增加的情况下,根据有机相类型和流量的不同,流动模型由段塞流转变为液滴流或塞流。另一方面,如果在保持水流量均匀的情况下增加有机流量,则相应的流动模型为永久塞流,如图6所示。  
 
图6 基于数值计算的氯仿-水流动模型结果     
 
图7 以雷诺数Re为坐标的两相流流型图     
 
图8 以毛细管数Ca为坐标的两相流流型图
 
图9 以韦伯数We为坐标的两相流流型图  
图7、图8、图9分别以雷诺数Re、毛细管数Ca和韦伯数We为坐标,根据数值计算结果绘制了两相流的流型图。由图7可以看出,在有机相的Re数较高时,流动向平行流动方向移动。在水相高Re数和有机相低Re数时,流动方式为液滴流动。在相同的雷诺数和低雷诺数下,流动将会转变为段塞流。
图8和图9与Re数的情况相似,不同之处在于,在图9中,韦伯数的范围比两个无量纲数雷诺数Re和毛细管数Ca覆盖的范围更大。  
结论    
本文提出了一个新的模型,在此基础上可以对蛇形微通道内的流态进行预测。此外,本研究考察了在蛇形微通道中使用氯仿和水进行液-液萃取的流动行为。采用三维模型对蛇形微通道内的流动特性进行了计算,结果与实验数据吻合较好。分析了氯仿和水的流量对流型的影响,揭示了段塞流发生在低流量和相当流量下,但随着总流量的提高,过渡到平行或液滴流动。在保持有机相流速稳定的同时增加水流速,会导致段塞流向液滴流或插塞流的转变。在蛇形微通道中的流动模式也被描绘。此外,基于数值计算结果,给出了以Re、Ca和We为坐标的两相流流型图。结果表明,当有机相的Re、Ca和We数较高时,流动趋向平行流动;在水相高Re、Ca、We数和有机相低Re、Ca、We数时,流动方式为液滴流动。  
本文引自Nature子刊Scientficreports2023年6月发表的Computational fluiddynamics simulation of two-phase flow patterns in a serpentine microfluidicdevice.  
作者:YounesAmini1*,ValiyollahGhazanfari1 , Mehran Heydari1 , Mohammad MahdiShadman1 , A. Gh. Khamseh1 , Mohammad Hassan Khani1& Amin Hassanvand2  
单位:1 Nuclear Fuel Cycle Research School, NuclearScience and Technology Research Institute, Tehran, Iran.
2 Department of Polymer Engineering, Faculty ofEngineering, Lorestan University, Khorramabad, Iran. *email:Y_amini@alum.sharif.edu; Yamini@aeoi.org.ir
引用:Amini, Y., Ghazanfari, V., Heydari, M. et al. Computational fluid dynamics simulation oftwo-phase flow patterns in a serpentine microfluidic device. SciRep 13, 9483 (2023). https://doi.org/10.1038/s41598-023-36672-6


来源:多相流在线
ACT多相流化学通用UGUM控制数控管道
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-04-29
最近编辑:6月前
积鼎科技
联系我们13162025768
获赞 108粉丝 104文章 295课程 0
点赞
收藏
作者推荐

基于GPU的快速气固流动非解析LBM-DEM方法

摘要:本文提出了一种快速的离散颗粒模拟方法,即非解析LBM-DEM。流体相和颗粒相分别由格子Boltzmann法(LBM)和离散单元法(DEM)完成计算,并采用浸入运动边界法(IMB)实现流固耦合。通过将IMB方法中的额外碰撞项视为力源项并引入等效曳力来修正IMB中的权重函数以施加正确的耦合。此外,在GPU端实现了LBM-DEM以提升计算效率。基于非解析LBM-DEM对三种典型的气固流化进行模拟,均与实验数据吻合较好。同时,基于GPU的LBM-DEM相较于CPU或CPU-GPU异构的CFD-DEM算法,计算速度提升了1~2个数量级。该方法在分辨率尺度和计算效率上均优于传统的CFD-DEM方法,在流态化和多相流计算中具备广泛应用前景。SIMPOP引言颗粒流体系统广泛存在于自然界及工业生产中,如石油催化裂化、循环流化床燃烧、煤气化、流化焙烧和沙尘暴等。传统的双流体模型TFM将流体相和颗粒相均视作连续介质求解,无法获得颗粒的详尽信息;直接数值模拟DNS,令流体网格比固体网格小一个数量级,直接解析颗粒受力并描述每个颗粒周围的详细流场,但其计算量巨大,难以实现对真实的流动现象进行模拟。离散颗粒模拟DPS介于双流体模型和直接数值模拟之间,其不解析颗粒的受力,而是基于曳力方程关联流体和颗粒,不仅可以获得颗粒运动轨迹等局部信息,也可以获得流体的平均流场信息。其采用的流体网格可比颗粒尺寸大一个数量级,能在计算精度和成本之间达到一个平衡,已成为探索实验室规模气固系统的有力手段。DPS下最常用的方案为CFD-DEM,流体相基于Gidaspow提出的A类和B类模型(体积平均N-S方程的两种不同形式),采用SIMPLE算法或基于Fluent,MFIX和OpenFOAM等软件平台。颗粒相普遍采用基于软球模型的DEM(Discreteelementmethd)进行更新。在计算层面,CFD-DEM中流体相的求解多为隐式或半隐式算法,并行上存在巨大困难,为了降低CPU的负载,提高计算效率,目前比较流行的方法是将可并行的DEM部分使用GPU计算,而难以并行的流体部分依然采用CPU计算,即CPU-GPU异构算法。然而CPU和GPU并不共用内存,每一步下不同设备间存在复杂的异构通信,尽管较纯CPU计算已取得显著加速,但效率依然较低。格子玻尔兹曼方法LBM(LatticeBoltzmannmethod)是近年来发展的一种新的计算流体力学方法,由于自身的高并行度,非常适合采用GPU计算。目前LBM在颗粒两相流中的应用主要集中在颗粒解析的DNS层次,应用LBM实现颗粒非解析的气固两相流模拟目前鲜有报道。本文提出了一种新的颗粒非解析LBM-DEM算法。其求解方程基于求解LBM-DNS中IMB的形式,但不再采用原IMB方法计算权重函数,而是将IMB方程中用于恢复无滑移条件的额外碰撞项视作力源项,通过定义格点曳力获得权重函数以修正LBM方程。同时,鉴于LBM和DEM均具备较好的并行性,本文在GPU上对该算法进行实现以发挥其最大优势。纯GPU算法避免了CPU-GPU间复杂的异构通信,较目前算法有着巨大的性能提升。LBM-DEM方法01气体运动——格子玻尔兹曼法标准的格子Boltzmann方法(LatticeBoltzmannmethod,LBM)将密度分解为多个方向离散的分布函数,并在格点网格内将各分布函数碰撞迁移,通过对当前格点上各分布函数的组合还原出密度、速度等宏观量。其方程形式为:其中为t时刻位于x格点的第i个分布函数,为格子速度,三维下一般采用19个方向的分布函数,即D3Q19模型,如图1所示。为松弛因子,由粘度确定,为平衡分布函数,由当前格点的密度和速度确定:式中为运动粘度,为密度,u为速度,为格子声速,,c为空间步长与时间步长大小之比,当空间步长与时间步长相同时。为权重系数。流体速度、压力和密度可由下式更新:02颗粒运动——DEM方法单颗粒运动遵循牛顿第二定律:其中为颗粒质量,为颗粒速度,为颗粒受到的碰撞力,为颗粒受到的曳力,为浮力,为重力加速度。在DEM方法下,基于弹簧阻尼假设的软球模型获得颗粒间碰撞力,如图2所示。这里采用简化DEM模型,仅考虑颗粒间法向力计算如下:其中e为弹性恢复系数,描述颗粒碰撞后的能量耗散程度;分别为第i个颗粒的位置、半径和质量。i和j分别为相互碰撞的颗粒i和j,为法向刚性系数,为重叠量,为单位法向矢量,为法向阻尼系数,为颗粒相对速度的法向分量。03流固耦合流体和颗粒间的耦合通过颗粒所受曳力实现。单颗粒的受力可基于Wen-Yu曳力描述,其形式为:其中为颗粒雷诺数,为滑移速度,。r为颗粒半径,为颗粒位置处的流体速度。为颗粒位置处的固相体积分数。浸入运动边界法引入了格子控制体和格子固含率的概念,即计算以流体格点为中心的立方单元内固体体积所占比重,图3为以xy面为例的示意。基于非平衡态反弹和流固分相的思想,在标准单松弛的LBM中引入额外碰撞项描述固体作用,则公式(1)修正为:式中为格点上的固体速度,为格点上的流体速度,即格子固含率,-i代表与i反向。为权重函数,控制流体碰撞算子和额外碰撞项的计算比重,满足。为1时完全由固体控制,公式(15)还原为标准反弹格式,为0时完全流体控制,方程还原为标准的单松弛LB方程。求解DNS问题时,传统IMB的和网格内颗粒对流体作用力形式为:经典的浸入运动边界法在描述颗粒解析的气固两相流系统中取得了重要成功,由于DNS系统下流体网格比颗粒网格小一个数量级,加和颗粒内所有的流体格点的即为颗粒所受合力,则牛顿第三定律天然满足,且基于固含率实现对边界的平滑描述。在颗粒非解析的模拟系统中,颗粒尺寸比流体网格小一个量级,基于曳力公式推导的颗粒曳力和LB方程下推导的流固耦合作用力(18),其计算过程相对独立导致二者大小并不匹配,需要进行统一。本文将公式(15)中的额外碰撞项近似视为力源项,提出一个新的流固耦合方案如下,由图3(b)所示,假设格点内存在一个等效颗粒球,其速度为,定义等效粒径由下式给出:其中为网格体积,可为1。则基于和,通过公式(14)或(15)-(18)计算出等效颗粒曳力,令LB获得的流固作用力与该等效曳力相等,即,则由公式(18)得出形式为:通过上述公式取代公式(17),即可对流场施加流固作用力,同时消除了传统IMB方法计算受力时,权重函数存在粘度项导致粘度依赖的缺陷。GPU实现LBM-DEM整体求解框架如图4所示,通过交互各自的映射信息实现耦合。在流场和颗粒场均初始化完毕后,将数据由CPU送入GPU执行运算。首先DEM部分,在GPU端开辟与颗粒数量相同的线程,每个线程独立计算单个颗粒以同时更新颗粒的速度和位置,随后执行颗粒排序并重构邻居列表,执行颗粒碰撞。进一步,将离散的颗粒速度和固体体积映射到流体网格,同时获得流体网格信息以求解颗粒所受曳力,最后将颗粒速度修正到t+1时刻。LBM下,在GPU端开辟与流体格点数量相同的线程,每个线程独立更新一个流体格点。流体获得格点固体速度和固含率后,将流体速度更新到t+1时刻,如此循环直到结束完成计算。整个过程全部在GPU上完成,CPU仅负责调用和后处理数据,避免了传统CFD-DEM方法中,CFD和DEM分别在CPU和GPU求解,二者耦合带来的复杂异构通信,因此具备极高的效率。LBM-DEM准确性验证01鼓泡流化首先,通过鼓泡流化床与CFD-DEM的结果进行对比。这里基于Lu的CFD-DEM算例,其采用CPU基的MFIX求解器完成流场的计算,基于自主实现的GPU求解器完成DEM的计算并完成二者耦合。本节基于完全GPU实现的LBM-DEM求解器求解该算例,所有物理参数与Lu的设置完全相同。速度入口采用标准平衡分布格式,壁面为标准反弹格式,出口为一阶外插,每两个格子步长更新一次颗粒邻居列表,曳力采用Wen-Yu形式。物理量对应格子单位下的无量纲参数如表1所示。这里对比了本文的耦合方案以及WANG等人提出的不修正IMB耦合方案。不同时刻下的瞬态颗粒分布如图5所示。由图5(a),t=0.05s时顶部颗粒开始向上运动,两侧和底部颗粒由于气速较小颗粒向下沉降;t=0.1s时达到一定高度后,除顶部颗粒继续向上运动外,中部颗粒开始向下沉降,非均匀结构即将形成;t=1.0s后系统基本达到了动态平衡,体系内同时存在着向上和向下运动的颗粒聚团,颗粒分布与Lu的结果定性吻合。基于WANG等人提出的传统IMB耦合方案结果如图5(b)所示,各个时刻下颗粒始终沉降堆积在床层底部,并没有出现流化现象。图6为不同耦合方案下计算的瞬态压降曲线,与Lu的结果对比。原始的修正方案下,由于颗粒没有流化,床层压降远低于文献结果,表明传统的耦合方式在此粘度下已不再适用,而基于本文提出的耦合方案,床层压降在t=1s后保持了动态稳定,平均压降为8.48Pa,相较于CFD-DEM结果(8.37Pa)误差仅1.31%,表明本文提出的LBM-DEM算法可以得到准确的动力学结果,消除了原LBM-DEM的局限。02流域转变进一步,基于微流化床中的流域转变与实验结果进行对比验证。模拟的物理尺寸3mm*3mm*27mm,模拟区域底部为非平衡外推速度边界,顶部为一阶外插出口,其余部分为壁面,采用标准反弹格式。选用=53μm的FCC颗粒,颗粒总数为443000,初始床层空隙率约为0.37,其余参数详见表2。不同入口速度下的床层孔隙率和对应速度下中心截面的时均固含率分布如图7所示。床层孔隙率由床层膨胀高度推导而来,可以较好验证气固算法的准确性。首先将达到动态稳定后的轴向固含率进行时均化处理,取固含率为0.2时的高度作为床层膨胀高度H,则床层孔隙率为:.其中A为底面积,为单颗粒体积。由图7,不同气速下的床层孔隙率均与实验值相吻合。其中和为实验测定的最小流化速度和最小鼓泡速度。当入口速度大于时,床层空隙率开始快速增长,随着气速进一步增大,空隙率的提升量逐渐减小。曲线平均误差为4.13%,最大误差在=5.69mm/s处为9.01%,均满足误差低于10%的要求。由图7,当入口速度在和之间的范围,流动应为均匀的散式流化。由(III)当气速超过后,系统内产生了均匀上升的气泡,表明LBM-DEM模拟的流动结构与实验测定的最小流化速度和鼓泡速度范围基本吻合。随着气速进一步提高,由(IV)流动结构已经由鼓泡流化转向节涌流化;随着气速增大,颗粒运动更加剧烈。由(VI),流型已出现向湍动流化过渡的趋势。本文提出的LBM-DEM方法复现了颗粒群在微流化床中的流域转变,定性和定量结论均与实验结果一致,表明该算法可作为模拟气固两相流动的可行方案。03快速流化基于该方法对快速流化进行模拟研究。为了更好展现颗粒运动时的非均匀结构,这里基于三维矩形薄板复现快速流化现象。针对流场,底部为速度入口,顶部一阶外插出口,x法向面为标准反弹边界,y法向面为周期边界。对于颗粒,颗粒沿y方向和z方向运动均做周期运动。模拟使用的总颗粒数为2212848,初始固含率约为0.09,采用Wen-Yu曳力形式。模拟的相关参数如表3所示。应用该算法得到了超高解析度的气体-颗粒分布,如图8所示。t=1s后流化床内颗粒结构达到完全演化,整个床层都分布着颗粒聚团,同时床层内存在明显的稀密相结构,密相下颗粒的浓度较高,对应气体速度较低,集中在底部和边壁,而稀相内颗粒浓度较低对应气体的速度较高。颗粒整体分布呈现上稀下浓,中间稀两侧浓的非均匀结构,与Li等人的模拟和实验结果定性一致。基于t=2s后的时均结果得到快速流化下轴向固含率如图9所示。颗粒浓度沿轴向分布为一条S型曲线,与LiandKwauk在10m床高中的实验规律基本吻合,表明了该算法在分析快速流化问题中的适用性。04LBM-DEM速度测试在验证准确性的基础上,进一步检验计算效率。首先对比01节的算例,与Lu报道的计算时间对比。Lu分别测试了CPU程序和CPU-GPU异构计算的CFD-DEM算法,CPU算法基于MFIX实现,使用10核心CPU并行计算,计算时间记为MFIX-CPUDEM;CPU-GPU算法基于MFIX和自主编程的DEMGPU程序实现,同样使用10个CPU核计算流场,使用单张TeslaP100GPU求解颗粒场,计算时间记为MFIX-GPUDEM。本文所有算例使用的计算设备均为单张TeslaV100GPU完成流场和颗粒场的计算,计算时间记为GPULBM-DEM,模拟的物理时间均为5s,结果如图10所示。由Lu的测试,纯CPU计算总时长为76.25h,其中DEM计算时间占总时长的91.2%,运算时长基本取决于颗粒相的计算;通过将DEM转移至GPU计算,总时长缩短至5.17h,相较于纯CPU算法加速比达到14.7,其中DEM部分计算时间占比17.2%,计算瓶颈由颗粒相转移到流体相。本算法流体相和颗粒相均在GPU求解,总计算时长仅为0.74h,相较于CPU-GPU异构实现,带来了6.98的加速比,相较于纯CPU加速比达到了103。其中流体相的计算时间被大幅缩短,得益于LBM的高并行度,流体部分的计算时长由4.25h缩短为0.03h,仅占总时长的4.05%,总时间重新取决于求解颗粒相的用时。进一步,基于本文前三节的算例对该算法进行速度测试,依次命名为caseA(鼓泡流化,颗粒数12,8000)、caseB(流域转变,颗粒数44,3000)和caseC(快速流化,颗粒数2,212,848),同时将caseC中的流体网格和颗粒规模沿xyz方向均扩大2倍定义为caseD(颗粒数17,702,784)。类比MLUPS定义MPUPS作为DEM部分的速度指标,即每s更新的百万颗粒数,计算公式为,其中Step为更新总步数。统计物理时间1s下LBM-DEM的计算总时长以及LBM部分和DEM部分的MLUPS和MPUPS,结果如图11所示。caseC中包含160万以上的流体网格和220万以上的颗粒,使用该算法仅需2.071h即可完成物理时间1s的更新,展现了极高的计算效率。caseD计算1s的时间为16.25h,为caseC的7.85倍,与其计算规模较caseC扩大8倍基本相当,表明该算法的计算时间是随计算规模线性增长的,增大流体网格和颗粒数量并不会降低程序的计算速度。随着颗粒规模的增大,MPUPS持续增加并逐渐达到峰值速度,caseD下MPUPS为157.74。基于MLUPS和MPUPS可在已知求解规模下大体预估程序的整体求解时间。本文提出的LBM-DEM具备远超传统CFD-DEM的计算效率,较纯CPU算法可带来两个数量级的加速提升,较CPU-GPU异构算法也能实现数倍加速,非常适合求解大规模气固颗粒系统。尽管计算设备存在差异不能单纯比较计算时间,但本文提出的LBM-DEM作为纯GPU实现的气固两相流算法,未来随着GPU硬件更新将具备更加显著的优势和应用前景。结论本文在LBM和DEM的基础上,提出了一种新的未解析LBM-DEM方法。该方法采用修正的IMB进行流固耦合,成功将IMB从DNS系统扩展到DPS系统。与原始的加权函数相比,新的耦合模型显著提高了气固流动模拟的精度。进一步,利用LBM和DEM固有的并行性,成功地实现了用于未解析LBM-DEM的GPU框架。在鼓泡流化、流域转变、快速流化下,利用新的耦合模型均复现了流化现象且定性定量结论与实验基本吻合。在相同规模下,与传统CFD-DEM上的CPU和CPU-GPU异构算法相比,加速比分别为103和6.98,展现了极高的执行效率。作为一种通用的求解框架,基于GPU的非解析LBM-DEM在求解尺度和计算效率方面较传统的CFD-DEM具备显著的优势,未来将具备广泛的应用前景。本文翻译自Fu,S.,Wang,L.,2023.GPU-basedunresolvedLBM-DEMforfastsimulationofgas-solidflows.ChemicalEngineeringJournal465,142898.LMFD(Lattice-basedMulti-FluidsDynamics)是面向多相流体系大规模数值模拟的科研和工程软件,由中国科学院过程工程研究所EMMS团队开发。该软件基于格子玻尔兹曼方法开发,结合自研的耦合算法和计算模块,能够处理包括单相流、气液两相、气固两相以及气液固三相等复杂多相流问题。同时软件设计了全过程GPU计算方案,具备天然的高并行优势,能够利用GPU计算资源实现大规模问题的高效计算。来源:多相流在线

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈