基于神经网络的格子玻尔兹曼算法

在科学研究和工业应用的复杂流域、多相流以及多物理流动问题的处理中,相较于传统计算流体力学方法(Computational Fluid Dynamics,CFD),格子玻尔兹曼算法(Lattice Boltzmann Method,LBM)具有程序结构简单、对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点。然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源。利用神经网络在预测与回归方面的强大能力,基于LBM设计了一个具备单隐藏层的浅层人工神经网络预测模型并将其命名为ML-LBM(Machine Learning LBM)模型。该模型通过动态调整碰撞算子中不同驰豫时间,以粗化网格来重现精细分辨的参考模拟。对于顶盖驱动流问题,模型完成训练后,对测试集均方误差在6×10-5以下,精度得到了保障。相较于经典LBGK模型,ML-LBM模型的计算效率提升约9倍。

确定性横向迁移装置中细胞运动特性的分子动力学研究

确定性横向迁移(deterministic lateral displacement,DLD)是一种常用的微粒分离技术,依据粒子尺寸和微流道层流特征分离颗粒。传统的DLD理论一般只考虑刚性粒子,难以描述细胞等柔性颗粒的分离过程。结合分子动力学粗粒度模型和雷诺相似性原理,对DLD装置中柔性细胞的分离、变形和受力情况进行了研究。仿真结果发现,纳观尺度下的DLD细胞分离路线与宏观尺度的一般分离原理相符。而在微观尺度下,细胞分离过程中细胞的变形破坏主要出现在细胞与微柱接触处,而且该处所受应力最大。研究结果揭示了柔性颗粒通过DLD装置的运动细节。