颗粒力学的最新研究进展

 

颗粒物质在自然界无处不在，在重要的工程、工业和自然过程中以各种形式存在。基于粒子的计算模型对于理解和预测颗粒物质在这些过程中的复杂行为已经变得不可或缺。现代计算模型的成功需要对粒子形状进行现实而有效的考虑。由于其长度和时间上的多尺度特性，天然存在和工程材料中的真实粒子形状提出了不同的挑战。此外，与其他材料的复杂相互作用，如间隙流体，是高度非线性的，通常涉及多物理耦合。本技术评论提出了一个全面的评价国家的最先进的计算模型颗粒无论是天然形状或工程几何。它着重于粒子形状的角色塑造、表示和实现，以及它的重要作用。此外，颗粒可能是坚硬的，高度变形，可压碎或相转变，他们可能会改变其行为在存在的间隙液体和敏感的密度，围困应力和流动状态。我们描述了捕捉颗粒物质普遍特征的通用方法和为特殊但重要的应用开发的一些独特方法。

 

 

 

 

机器学习领域（ML）迅速提升了许多科学和工程领域的技术水平，包括实验燃料动力学，这是最初的大数据学科之一。这篇透视文章强调了实验引信力学的几个方面，这些方面将受益于ML的进步，包括提高测量技术的可靠性和质量，改进实验设计和替代数字孪生模型，以及实现实时估计和控制。在每种情况下，我们都会讨论最近的成功案例和正在进行的挑战，以及注意事项和局限性，并概述ML增强和ML启用实验引信力学的新途径的潜力。

 

 

 

 

 

为自然界和工程中广泛遇到的颗粒流建模具有任意形状的颗粒以及流体-颗粒相互作用的相关复杂性是具有挑战性的。本文提出了基于浸没边界法（IBM）的全解析计算流体力学（CFD）和离散元法（DEM）的改进框架，重点介绍了不规则形状的颗粒及其对颗粒-流体相互作用的影响。改进的CFD DEM框架具有两个带有符号距离场（SDF）的新增强功能。首先，采用基于SDF的公式来稳健有效地处理DEM中任意形状的颗粒。其次，对IBM进行了修改，使其与SDF保持一致，以完全解决非球形颗粒存在下的流体-颗粒相互作用。这种处理利用SDF作为通用界面，为具有所需分辨率的任意形状颗粒与多相流体相互作用的通用建模提供了新的SDF-CFD-DEM框架。示例粒子形状模型包括超二次曲面、球谐曲面、多面体和水平集，通过实现统一的基于SDF的形状接口，可以灵活地开发新的形状模型。所提出的SDF-CFD-DEM得到了验证和展示，实例包括颗粒沉降、牵伸-接触-翻滚、浸没颗粒坍塌和泥流。结果表明，SDF-CFD-DEM具有良好的准确性和稳健性，并有可能对包含任意形状颗粒的多相颗粒流进行有效的计算建模。

 

 

 

 

 

本构关系仍然是颗粒材料研究中最重要但最基本的挑战之一。机器学习不再使用封闭形式的唯象模型或数值多尺度建模，而是一种革命性地改变颗粒材料本构建模的替代范式。然而，深度神经网络（DNN）需要大量的训练数据，并且往往无法做出可信的推断。本研究旨在开发一种深度主动学习策略，以（i）在不了解基本事实的情况下识别不可靠的预测；以及（ii）不断改进和验证数据驱动的本构模型，直到满足期望的概括。主动学习在本构建模中的作用通过三个场景来实例化：（i）颗粒材料的离线应变-应力数据库；（ii）交互式本构训练和应变-应力数据标记；以及（iii）由基于深度学习的本构模型驱动的有限元建模（FEM）。结果证实了主动学习在推进颗粒材料的数据驱动本构模型方面的能力，以开发一个数据较少的忠实替代本构模型。同样的主动学习策略也可以应用于各种科学和工程领域的其他以数据为中心的应用程序。

 

 

 

 

我们提出了一种多尺度、多物理的方法，通过将两相材料点法（MPM）与离散元法（DEM）耦合来模拟饱和颗粒介质在准静态或动态载荷条件下从小应变到大变形的水力-机械耦合响应。多尺度格式的特点是（a）使用两相MPM和u−v−p公式来解决饱和多孔介质边值问题宏观域中的固流相互作用，以及（b）采用由任意形状的颗粒组成的DEM组件，以在复杂的载荷条件下为每个材料点提供路径相关的有效本构响应。在所提出的多尺度方法中，进一步实现了基于分数步长算法的半隐式积分方案，以提高其整体效率。在进一步用于模拟更具挑战性的问题之前，通过一维固结试验验证了所提出的方法，包括循环振动试验、柱体坍塌和各向异性饱和多孔介质中的波传播。我们证明，所提出的MPM-DEM方法在捕捉饱和颗粒介质中表现出的复杂静态和动态多物理相互作用方面是强大而通用的，这在各种工程环境中可能具有实际意义。我们进一步建立了这些宏观观测与其潜在微观结构机制之间的联系，以提供对饱和砂复杂动力响应的多尺度见解。