[pt] Suspensões correspondem a uma classe de materiais amplamente utilizada em uma grande variedade de aplicações e indústrias. Devido à sua extrema versatilidade, elas têm sido foco de inúmeros estudos nas últimas décadas. Suspensões também são muito flexíveis e podem apresentar diferentes
propriedades reológicas e respostas macroscópicas dependendo da escolha dos
parâmetros usados como entrada no sistema. Mais especificamente, a resposta
reológica de suspensões está intimamente associada ao arranjo microestrutural
das partículas que compõem o meio e a fatores externos, como o quão confinadas elas se encontram e a rigidez das partículas. No presente estudo, o efeito
da rigidez, confinamento e vazão na microestrutura de suspensões altamente
concentradas é avaliado usando Dinâmica Dissipativa de Partículas com Núcleo Modificado. Precedento este estudo principal, foram necessárias outras
duas etapas para garantir um sistema de simulação confiável e representativo, que consistiu, essencialmente, na realização de estudos paramétricos para
compreender e estimar os valores adequados para os parâmetros de interacção
parede-partícula.
O presente trabalho aborda estudos paramétricos realizados para auxiliar
na escolha dos parâmetros de entrada para evitar a penetração de partículas
em um sistema delimitado por paredes. Inicialmente um sistema mais simples,
composto por solvente e paredes é construído e os parâmetros de interação e
densidades de parede foram ajustados. Em seguida as interações são definidas
para suspensões. Neste último caso, vários parâmetros desempenham um
papel na penetração e a maneira tradicional de investigar esses efeitos seria
exaustiva e demorada. Por isso, optamos por usar uma abordagem de Machine
Learning para realizar este estudo. Uma vez ajustados os parâmetros, o
estudo de confinamento pôde ser realizado. O objetivo principal deste estudo
foi entender como a microestrutura de suspensões concentradas é afetada
pela vazão, rigidez das partículas e confinamento. Verificou-se que partículas
muito flexíveis sempre formam um aglomerado gigante independente da razão
de confinamento; a diferença está em quão compactadas são as partículas.
No caso de partículas rígidas, um confinamento mais forte leva à formação
de aglomerados maiores. O estudo final aborda um estudo de aprendizado
de máquina realizado para prever a reologia de suspensões não confinadas.
Com este trabalho foi possível entender e ajustar parâmetros de simulação e
desenvolver um domínio computacional que permite estudar sistematicamente
efeitos do confinamento em suspensões. / [en] Suspensions correspond to a class of materials vastly used in a large set of
applications and industries. Due to its extreme versatility, they have been the
focus of numerous studies over the past decades. Suspensions are also very flexible and can display different rheological properties and macroscopic responses
depending on the choice of parameters used as input in the system. More
specifically, the rheological response of suspensions is intimately associated to
the microstructural arrangement of the particles composing the medium and
external factors, such as how strongly they are confined and particle rigidity.
In the present study, the effect of particle rigidity, confinement and flow rate on
the microstructure of highly concentrated suspensions is studied using CoreModified Dissipative Particle Dynamics. Preceding this main study, two other
steps were necessary to guarantee a reliable and realistic simulation system,
which consisted, essentially, on performing parametric studies to understand
and estimate the appropriate values for wall-particle interaction parameters.
The present work address parametric studies performed to assist the
input parameters choice to prevent particle penetration in a wall-bounded
system. Initially a simpler system, composed of solvent and walls, is built and
the interaction parameters and wall densities were adjusted. Following, the
interactions are set for suspensions. In the latter case multiple parameters
play a role in penetration and the traditional way to investigate these effects
would be exhaustive and time consuming. Hence, we choose to use a Machine
Learning approach to perform this study. Once the parameters were adjusted,
the study of confinement could be carried out. The main goal of this study
was to understand how the microstructure of concentrated suspensions is
affected by flow rate, particle rigidity and confinement. It was found that
very soft particles always form a giant cluster regardless the confinement
ratio; the difference being on how packed the particles are. In the rigid
case, a stronger confinement leads the formation of larger clusters. The final
study addresses a machine learning study carried out to predict the rheology
of unconfined suspensions. The main contribution of this work is that it
was possible to understand and adjust simulation parameters and develop a
computational domain that enables to systematically study confinement effects
on suspensions.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:58901 |
Date | 09 May 2022 |
Creators | ERIKA IMADA BARCELOS |
Contributors | MONICA FEIJO NACCACHE |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | English |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0032 seconds