A generalized, quasi-universal subgrid model for macroscopic moving contact line flows

Imagina una gota de agua aterrizando sobre una superficie plana. A medida que se extiende, el borde donde el líquido, el aire y el sólido se encuentran no se desliza simplemente como el neumático de un coche sobre el pavimento. En cambio, este límite, conocido como línea de contacto, se comporta de una manera que desafía las reglas estándar de la mecánica de fluidos utilizadas para describir la mayoría de los líquidos en movimiento. Durante décadas, los científicos han luchado por simular este movimiento en computadoras porque la física en el borde mismo de la gota involucra escalas tan diminutas —hasta el tamaño de moléculas individuales— que intentar calcular cada detalle requeriría más potencia de cómputo de la que existe. Para sortear esto, los investigadores han utilizado atajos, o "modelos de subrejilla", para adivinar qué sucede en ese borde microscópico. Sin embargo, estos atajos tienen un defecto importante: los resultados que producen suelen cambiar dependiendo de qué tan finamente divida la computadora el espacio en una rejilla, lo que hace que las simulaciones sean poco fiables para predicciones del mundo real.

Un equipo de investigadores del Instituto de Ciencias de la Educación e Investigación de la India en Bhopal ha desarrollado una nueva forma de manejar este problema. Crearon un modelo que permite a las computadoras simular líneas de contacto móviles con precisión sin necesidad de conocer los detalles imposibles de medir del mundo microscópico. Su enfoque cierra la brecha entre la física diminuta e invisible en el borde de una gota y el comportamiento más grande y visible del fluido. Al hacer esto, han producido simulaciones que permanecen consistentes y precisas independientemente del tamaño de la rejilla de la computadora, un paso crucial hacia la predicción de cómo se comportan los líquidos en todo, desde la impresión por inyección de tinta hasta la recuperación de petróleo, sin necesidad de ajustar el modelo para cada nueva situación.

El núcleo del problema radica en un conflicto entre cómo se mueven los fluidos y cómo tocan las superficies sólidas. En la mecánica de fluidos estándar, una regla llamada "condición de no deslizamiento" establece que un fluido que toca una superficie sólida debe dejar de moverse por completo en ese límite. Si bien esto funciona bien para la mayoría de los flujos, falla en la línea de contacto de una gota en movimiento, creando una singularidad matemática donde las fuerzas se vuelven infinitas. Para solucionar esto, los científicos históricamente han asumido que el fluido se desliza un poco en la superficie, pero la distancia de este deslizamiento es tan pequeña que es imposible de medir directamente. En consecuencia, los modelos computacionales anteriores tenían que adivinar estos valores microscópicos o depender de parámetros de ajuste para coincidir con los datos experimentales. Esto significaba que si un investigador quería simular un tipo diferente de líquido o una velocidad diferente, a menudo tenía que empezar de nuevo y recalibrar el modelo, despojándolo de su capacidad para predecir nuevos escenarios.

Los investigadores de este estudio se dieron cuenta de que la inconsistencia en las simulaciones anteriores provenía de un malentendido sobre cómo cambia el ángulo de la gota a medida que te alejas de la línea de contacto. Se basaron en una teoría bien establecida de la década de 1980 que describe cómo se curva la interfaz del líquido debido a la competencia entre la tensión superficial y la fricción interna del fluido. Esta teoría muestra que el ángulo que ves depende de qué tan lejos estés mirando desde el borde. Los investigadores combinaron este entendimiento teórico con fórmulas empíricas existentes —reglas derivadas de la observación de gotas reales— para crear un nuevo modelo unificado. En lugar de obligar a la computadora a adivinar la longitud de deslizamiento microscópica o el ángulo exacto en la pared, su modelo calcula el ángulo correcto a utilizar basándose en el tamaño de las celdas de la rejilla de la computadora.

Para probar su idea, el equipo realizó una serie de simulaciones computacionales de una gota extendiéndose sobre una placa plana. Compararon su nuevo método con técnicas más antiguas utilizando diferentes tamaños de rejilla, que iban desde una gruesa hasta una muy fina. En los métodos antiguos, el cambio en el tamaño de la rejilla alteraba significativamente los resultados, haciendo que la gota simulada se extendiera a diferentes velocidades o tomara diferentes formas. Con el nuevo modelo, sin embargo, los resultados permanecieron virtualmente idénticos en todos los tamaños de rejilla. La gota simulada se comportó de manera consistente, ya fuera que la computadora estuviera usando una rejilla gruesa o una fina. Esto demostró que el modelo había eliminado con éxito la dependencia artificial de la rejilla, un fenómeno conocido como dependencia de la rejilla.

El estudio también exploró cómo este nuevo modelo se desempeña bajo diversas condiciones, tales como diferentes velocidades de flujo y diferentes tipos de líquidos. Probaron escenarios donde el líquido se está extendiendo (avance) y donde se está retirando (retroceso). En cada caso, el nuevo modelo produjo resultados estables e independientes de la rejilla. Un hallazgo clave fue que el modelo no requería ningún "parámetro de ajuste" derivado de experimentos específicos para funcionar. Una vez que los investigadores establecieron la escala en la cual se derivaron las fórmulas empíricas originales, el modelo podía predecir el comportamiento del flujo sin más ajustes. Este es un alejamiento significativo de los métodos anteriores, que a menudo requerían una calibración única para cada nuevo conjunto de condiciones.

Los investigadores también investigaron por qué algunas simulaciones antiguas parecían funcionar bien en el pasado, incluso sin esta nueva corrección. Encontraron que, en ciertas situaciones, particularmente con sistemas gas-líquido, el error introducido por el tamaño de la rejilla era naturalmente lo suficientemente pequeño como para pasar desapercibido. Además, si la rejilla de la computadora coincidía casualmente con la escala específica en la que se recolectaron los datos experimentales originales, los resultados se alineaban por coincidencia con la realidad. Sin embargo, esto era una cuestión de suerte más que una solución robusta. El nuevo modelo elimina este elemento de azar, proporcionando un marco fiable que funciona a través de una amplia gama de condiciones físicas, incluyendo diferentes densidades y viscosidades.

Uno de los aspectos más prometedores de este trabajo es su potencial de capacidad predictiva. Debido a que el modelo no depende de conocer la longitud de deslizamiento microscópica o el ángulo de contacto exacto en la pared —cantidades que son notoriamente difíciles de medir—, puede aplicarse a nuevos problemas donde estos valores son desconocidos. Los investigadores demostraron que, con solo conocer la escala en la que se realizaron las observaciones experimentales originales, el modelo podía aplicarse universalmente. Esto significa que ingenieros y científicos podrían usar estas simulaciones para diseñar mejores sistemas para el recubrimiento de superficies, la gestión del flujo de fluidos en rocas porosas o la comprensión de procesos biológicos en los pulmones, con la confianza de que los resultados no son artefactos de la rejilla de la computadora.

El estudio concluye que, si bien la aproximación de primer orden de su modelo funciona bien para la mayoría de los ángulos, escenarios más complejos que involucren ángulos de contacto muy grandes podrían requerir una corrección matemática ligeramente más detallada. Sin embargo, el enfoque fundamental de vincular la teoría microscópica con las observaciones macroscópicas ha demostrado ser exitoso. Al tratar la línea de contacto no como un punto fijo con propiedades misteriosas, sino como una característica dinámica que responde a la escala de observación, los investigadores han proporcionado una herramienta que es tanto precisa como ampliamente aplicable. Este trabajo representa un cambio de simplemente ajustar datos a comprender la física subyacente, ofreciendo un camino hacia simulaciones que realmente pueden predecir cómo se comportarán los líquidos en el mundo real.