Wechselwirkungen von Rauheit und Benetzbarkeit in Mikrokanalströmungen – Aufklärung hydrodynamischer Details unterstützt durch Deep Learning

Unter Mikrokonfinenz führt die komplexe Wechselwirkung zwischen Oberflächenrauheit und Flüssigkeitsgleiten zu unerwarteten Variationen im Reibungsfaktor und der Zugabe von Hydrodynamik. Diese Variationen resultieren aus den kombinierten Effekten von Rauheit und hydrophoben Wechselwirkungen der Oberfläche mit dem hydrodynamischen Feld. Unsere Studie untersucht Veränderungen der Reibungseigenschaften in langen Mikrokästen unter Berücksichtigung des Flüssigkeitsgleitens, des hydraulischen Durchmessers und der Rauheit. Diese Untersuchung verspricht präzise Kontrollanwendungen zur Druckreduzierung für Lab-on-a-Chip und kleine Geräte. Um rechnerische Einschränkungen bei der Analyse verschiedener hydrodynamischer Bedingungen zu adressieren, verwenden wir ein künstliches neuronales Netzwerk- Vorhersagemodell, das mit experimentellen und numerischen Ergebnissen validiert wurde. Im Gegensatz zu den makroskopischen Schlussfolgerungen, die aus dem Moody-Diagramm gewonnen wurden, zeigen unsere Ergebnisse, dass Flüssigkeitsgleiten, abgesehen von der Oberflächenrauheit, den Reibungsfaktor erheblich beeinflusst. Die Abhängigkeiten des Reibungsfaktors von den Fließ- und Flüssigkeitsparametern werden gründlich untersucht, um eine neue Formel für den slip-modifizierten Reibungsfaktor im engeren Fluss vorzuschlagen, die die Reibung in Mikrokästen mit kombinierten Rauheits- und Hydrophobizitätseffekten vorhersagt. Dieser kombinierte numerische und maschinelle Lernansatz bietet ein bemerkenswertes Pendant zum Moody-Diagramm in Mikroskalen und bietet das Potenzial für eine einheitliche kontinuumsbasierte Beschreibung, die interfaciale Effekte berücksichtigt.