Результаты опубликованы в журнале Colloids and Surfaces A: Physicochemical and Engineering Aspects.
Краевой угол смачивания, или контактный угол,— это количественный параметр, характеризующий взаимодействие между средами и определяющий поверхностные явления в системе этих сред, например капиллярное давление, проницаемость. Он важен при моделировании течения жидкости в пористых средах.Точные значения угла смачиваемости позволяют создавать надежные модели течения флюидов, оптимизирующие процессы нефтедобычи, газа и других полезных ископаемых.
Традиционное моделирование контактного угла основывается на построении границы раздела между двумя средами с последующей аппроксимацией. Такой подход позволяет достаточно точно определить контактный угол, но требует ручной настройки важных параметров, таких как порог плотности, размер сетки для построения плотностного профиля или тип аппроксимации. Подгонка этих параметров может приводить к ошибке в определении величины угла смачиваемости и ухудшать воспроизводимость результатов.
Авторы работы представили усовершенствованный алгоритм определения контактного угла по одномерным профилям: PANDA-NN. В отличие от предыдущей версии PANDA в нем используется машинное обучение для автоматического определения формы границы раздела между двумя фазами в нанопорах, такие как капля, пончик, червь, рулет и перфорация. Нейронная сеть автоматически определяет тип границы и подбирает подходящую математическую модель для анализа профиля плотности на основе данных молекулярного моделирования.
«Наш алгоритм в предыдущей версии PANDA рассчитывал угол смачивания по профилю плотности жидкости, зная форму ее капли. В новой версии это не нужно — форму капли определяет нейросеть, она же выбирает подходящее уравнение для аппроксимации профиля»,— пояснил Илья Копаничук, старший научный сотрудник Центра вычислительной физики МФТИ.
Также в PANDA-NN добавлен дополнительный параметр — толщина смачивающего слоя — тонкого слоя жидкости, прилегающего к твердой подложке. Учет этого слоя позволяет минимизировать ошибку в определении функции плотностного профиля. Алгоритм PANDA-NN стабилен и дает воспроизводимые результаты, которые совпадают с экспериментальными данными с точностью до 5%, что намного лучше предыдущего метода PANDA (13%) и классического метода circle fit (10%). Однако для сложных поверхностей раздела, таких как червь, отклонения от экспериментальных значений превышают точность 5%, что требует тщательного выбора состава системы.
Автоматизация PANDA-NN позволяет проводить массовые расчеты углов смачивания при различных типах жидкостей и подложек, размерах пор и температурах. Это делает метод перспективным для оптимизации нефте- и газодобычи, где точные модели течения флюидов помогают повысить эффективность.
«Наш алгоритм не требует участия человека в расчетах или калибровки гиперпараметров под каждую систему — все уже настроено. К тому же он автоматически учитывает толщину адсорбционной пленки, чего не умеет ни один из конкурирующих алгоритмов»,— отметил Илья Копаничук
«Разработанный нами алгоритм PANDA-NN позволяет с высокой степенью автоматизации определять краевые углы смачивания в нанопористых структурах. Это открывает новые возможности для моделирования процессов фильтрации и вытеснения флюидов, в том числе в задачах нефтедобычи и анализа капиллярных эффектов в породах-коллекторах»,— дополнил Алексей Семенчук, младший научный сотрудник Центра вычислительной физики МФТИ.
На данный момент алгоритм работает только для систем жидкость—жидкость—твердое тело, а для систем жидкость—пар—твердое тело уже требуется доработка учета переменного объема капли. В будущем авторы планируют доработать алгоритм и разработать приложения для его активного применения.
В работе участвовали ученые из Центра вычислительной физики МФТИ, Объединенного института высоких температур РАН, Национального исследовательского университета «Высшая школа экономики», Института физики Земли имени О. Ю. Шмидта РАН и AIRI.