Network modelling of yield-stress fluid flow in randomly disordered porous media

Este estudio presenta un modelo de red de poros que simula el flujo de fluidos con umbral de fluencia en medios porosos desordenados, demostrando que la pérdida de presión cerca del umbral de fluencia está gobernada por la estadística de las constricciones en lugar de la escala de los obstáculos, y que el deslizamiento en las paredes puede reactivar vías de flujo previamente bloqueadas.

Lo esencial

Imagina que intentas hacer pasar un líquido muy espeso y pegajoso (como miel fría, pasta de dientes o barro) a través de una colmena llena de obstáculos, como si fuera un laberinto de piedras. Este es el problema que resuelve este artículo científico.

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con analogías cotidianas:

1. El Problema: El "Líquido que no quiere moverse"

La mayoría de los líquidos (como el agua) fluyen apenas les das un pequeño empujón. Pero los fluidos con umbral de fluencia (como la pasta de dientes o ciertos lodos industriales) son tercos. Se comportan como un sólido hasta que les aplicas una fuerza suficiente para "despertarlos".

• La analogía: Imagina un grupo de personas durmiendo en una habitación llena de muebles. Si empujas la puerta suavemente, nadie se mueve. Pero si empujas con mucha fuerza, de repente, un pequeño grupo de personas se levanta y abre un camino para salir, mientras el resto sigue durmiendo.
• El desafío: Cuando estos fluidos intentan atravesar un terreno poroso (como la tierra o una roca), no fluyen por todo el espacio. Solo se mueven por unos pocos "túneles" estrechos, dejando el resto del fluido quieto. Esto hace que predecir cuánto tardarán en salir o cuánta presión se necesita sea muy difícil.

2. La Solución: Un "Mapa de Tráfico" Simplificado

Los científicos suelen usar superordenadores para simular cada gota de líquido en cada rincón del laberinto, pero es como intentar contar cada grano de arena de una playa: es demasiado lento y costoso.

En su lugar, estos investigadores crearon un modelo de red (un "mapa de tráfico").

• La analogía: En lugar de simular todo el océano, dibujan un mapa de carreteras. Los "nodos" son las intersecciones (los espacios abiertos entre las piedras) y las "carreteras" son los pasos estrechos (los cuellos de botella).
• La innovación: Su mapa es especial porque no usa números inventados para ajustar los resultados. En su lugar, usa las leyes reales de la física para calcular cómo se comporta el líquido en cada paso estrecho. Es como si tu mapa de tráfico supiera exactamente cómo se siente un coche al pasar por un túnel estrecho y resbaladizo, sin tener que probarlo primero.

3. El Secreto: La "Pared Resbaladiza" (Deslizamiento)

Un descubrimiento clave del estudio es el efecto de las paredes. En los modelos antiguos, se asumía que el líquido se pegaba a las paredes de los túneles como si fuera pegamento. Pero en la realidad, muchos de estos fluidos resbalan.

• La analogía: Imagina que intentas empujar una caja pesada por un pasillo.
  • Sin deslizamiento: El suelo es de fieltro. La caja se atasca y necesitas mucha fuerza para moverla.
  • Con deslizamiento: El suelo es de hielo. La caja se desliza con facilidad.
• El hallazgo: El modelo muestra que si las paredes son "resbaladizas", el líquido necesita mucha menos presión para moverse. Además, ¡abre caminos que antes estaban cerrados! Es como si el hielo hiciera que más personas pudieran salir de la habitación, no solo las que estaban en el camino principal.

4. La Gran Revelación: No importa el tamaño de la habitación, sino el del "Cuello de Botella"

Antes, los científicos pensaban que para predecir el flujo, necesitaban medir el tamaño promedio de los obstáculos (las piedras). Pero este estudio demuestra que eso es un error.

• La analogía: Imagina que quieres pasar por un parque lleno de árboles.
  • La vieja idea: "El parque es grande, así que el flujo será rápido".
  • La nueva idea: "No importa lo grande que sea el parque, lo único que importa es qué tan estrecho es el cuello de botella más pequeño por donde tienes que pasar".
• El resultado: El equipo descubrió que si miras el tamaño promedio de los espacios más estrechos (los "cuellos de botella"), puedes predecir perfectamente cómo se comportará el fluido, sin importar cuán grande o pequeño sea el terreno. Es como decir que la velocidad de una fila de coches depende del ancho del túnel más estrecho, no del tamaño total de la ciudad.

¿Por qué es importante esto?

Este modelo es una herramienta poderosa y rápida para ingenieros y científicos que trabajan en:

• Recuperación de petróleo: Para sacar petróleo atrapado en rocas porosas.
• Limpieza de suelos: Para inyectar fluidos que limpien contaminantes en la tierra.
• Industria alimentaria y cosmética: Para entender cómo se mueven salsas, cremas o pinturas a través de filtros.

En resumen: Han creado un "GPS" inteligente para líquidos tercos que atraviesan laberintos. Este GPS sabe que lo importante no es el tamaño del laberinto, sino el tamaño de sus puertas más estrechas, y que si las paredes son resbaladizas, el viaje será mucho más fácil y rápido. Todo esto sin necesidad de gastar millones en simulaciones lentas.

Resumen técnico

Resumen Técnico: Modelado de Red para Fluidos con Umbral de Fluencia en Medios Porosos

1. Planteamiento del Problema

El flujo de fluidos con umbral de fluencia (como los fluidos de Herschel-Bulkley) a través de medios porosos es fundamental en aplicaciones como la recuperación mejorada de petróleo, filtración, penetración de recubrimientos y remediación de suelos. Sin embargo, estos sistemas presentan comportamientos complejos:

• No linealidad y umbral de presión: El flujo solo comienza por encima de un umbral de presión finito, desviándose de la ley de Darcy.
• Heterogeneidad: Cerca del punto de fluencia, el transporte se vuelve altamente heterogéneo, ya que solo una parte del espacio poroso se moviliza, generando una fuerte canalización (el flujo se concentra en unos pocos caminos preferentes).
• Deslizamiento en la pared (Wall Slip): En materiales blandos y particulados, el deslizamiento en las paredes reduce la fricción, disminuye el umbral aparente de fluencia y puede suprimir la canalización.
• Limitaciones actuales: Las simulaciones numéricas directas (DNS) son costosas y complejas para dominios grandes o altamente desordenados. Los modelos de red existentes a menudo dependen de parámetros de resistencia ajustados empíricamente o fallan en capturar con precisión la transición de fluencia y el efecto del deslizamiento.

Objetivo: Desarrollar un modelo de red de poros predictivo, sin parámetros ajustados, que incorpore la reología de fluidos con umbral de fluencia y el deslizamiento en la pared para medios porosos desordenados bidimensionales.

2. Metodología

Geometría y Construcción de la Red:

• Se modelan dominios porosos bidimensionales ($L \times L$) formados por el espacio vacío entre obstáculos circulares aleatorios no superpuestos de radio $R$.
• Se utiliza una teselación de Voronoi de los centroides de los obstáculos para definir la red: los vértices son los "poros" y las aristas son las "gargantas" (throats).
• Se consideran diferentes casos de estudio con variaciones en la porosidad ($\phi$) y la relación $L/R$.

Cierre Físico de la Garganta (Throat Closure):

• A diferencia de modelos anteriores que usan relaciones presión-flujo lineales o ajustadas, este modelo deriva la relación presión-flujo ($P(Q)$) directamente de la mecánica de fluidos a escala de la garganta.
• Se modela el flujo estacionario unidimensional a través de una garganta convergente-divergente (el espacio entre dos obstáculos circulares adyacentes).
• Reología: Se utiliza la ley de Herschel-Bulkley ($\eta(\dot{\gamma}) = \tau_0/\dot{\gamma} + K\dot{\gamma}^{n-1}$).
• Condición de Deslizamiento: Se impone una condición de deslizamiento en las paredes ($u_s$) que depende del esfuerzo cortante local y un umbral de deslizamiento ($\tau_s$), con un coeficiente de deslizamiento $\alpha$.
• La relación presión-flujo se obtiene integrando numéricamente el gradiente de presión a lo largo de la garganta para una tasa de flujo dada, resolviendo la ecuación de momento balanceada con la ley constitutiva y las condiciones de frontera.

Resolución Numérica:

• El sistema global se resuelve mediante conservación de masa en cada nodo (poro) y la ley de presión-flujo en cada arista (garganta).
• Se utiliza un método de tipo Newton con globalización de región de confianza (implementado en Julia) para resolver el sistema de ecuaciones no lineales acopladas.
• Se emplea un método de continuación en la presión de entrada para navegar suavemente a través de la transición de fluencia.

3. Contribuciones Clave

1. Modelo Predictivo sin Ajuste: Es el primer modelo de red para flujo viscoplástico en medios porosos que incorpora tanto la reología de Herschel-Bulkley como el deslizamiento en la pared sin necesidad de parámetros de resistencia ajustados empíricamente. Todo el comportamiento emerge de la mecánica de fluidos a escala de poros.
2. Incorporación del Deslizamiento: Introduce explícitamente el deslizamiento en las paredes dentro de un modelo de red, permitiendo estudiar cómo este fenómeno modifica el umbral de fluencia global y la topología del flujo.
3. Nueva Escala de Similitud Geométrica: Identifica que, en el régimen dominado por la plasticidad (cerca del umbral de fluencia), las pérdidas de presión no están gobernadas por el tamaño del obstáculo ($R$), sino por las estadísticas de las constricciones. Se propone utilizar el ancho mínimo medio de la garganta ($\bar{h}_{min}$) como la escala de longitud relevante para la disipación.

4. Resultados Principales

• Validación contra Simulaciones Directas (DNS):

  • El modelo reproduce con alta fidelidad la respuesta macroscópica (caída de presión vs. número de Bingham) y la transición de flujo distribuido a flujo canalizado.
  • Captura la evolución de la topología del flujo: a altos números de Bingham, el flujo se restringe a unos pocos caminos percolantes, lo cual el modelo predice correctamente.
  • Las desviaciones son menores (17% a $B=100$, 31% a $B=10^3$) y se atribuyen a simplificaciones unidimensionales en las constricciones más anchas y a la falta de disipación dentro de los cuerpos de los poros.

• Efecto del Deslizamiento en la Pared:

  • El deslizamiento reduce significativamente el gradiente de presión necesario para mantener el flujo.
  • Cambia la topología del flujo: en lugar de estar confinado a 1-2 caminos principales (como en el caso sin deslizamiento), el deslizamiento "reactiva" múltiples caminos secundarios, aumentando la conectividad de la red activa.
  • Modifica la ley de escalado asintótica a altos números de Bingham: de $G \sim B$ (sin deslizamiento) a $G \sim (\tau_s/\tau_0)B$ (con deslizamiento).

• Escalamiento Universal (Colapso de Curvas):

  • Las escalas tradicionales basadas en el radio del obstáculo ($R$) o en la porosidad ($\phi$) no logran colapsar las curvas de respuesta para diferentes geometrías.
  • Al reescalar las variables adimensionales (número de Bingham y gradiente de presión) utilizando el ancho mínimo medio de la garganta ($\bar{h}_{min}$), todas las curvas de diferentes porosidades y geometrías colapsan en una única relación maestra ($G^* = B^*$) en el régimen dominado por la plasticidad.
  • Esto demuestra que $\bar{h}_{min}$ es la escala geométrica que controla la disipación cerca del umbral de fluencia.

5. Significado e Impacto

• Eficiencia Computacional: El modelo ofrece una descripción de orden reducido que captura la física esencial (fluencia, canalización, deslizamiento) a una fracción del costo computacional de las simulaciones directas, permitiendo el estudio de dominios grandes.
• Comprensión Física: Proporciona una base física clara para interpretar la ruptura de la ley de Darcy en fluidos con umbral de fluencia, destacando el papel crítico de las estadísticas de las constricciones sobre el tamaño de los obstáculos.
• Aplicabilidad: La capacidad de predecir cómo el deslizamiento reactiva caminos de flujo bloqueados es crucial para optimizar procesos industriales donde estos fluidos son comunes (ej. inyección de polímeros, recuperación de petróleo).
• Herramienta Predictiva: Al no depender de ajustes empíricos, el modelo es una herramienta robusta para explorar nuevos diseños de medios porosos y condiciones de operación sin necesidad de calibración previa.

En conclusión, el trabajo establece un nuevo estándar para el modelado de redes en medios porosos complejos, demostrando que una descripción física detallada a escala de garganta, combinada con una escala de longitud estadística adecuada ($\bar{h}_{min}$), es suficiente para predecir con precisión el comportamiento macroscópico de fluidos viscoplásticos.