Glassy phase transition in immiscible steady-state two-phase flow in porous media

En appliquant le principe de maximum d'entropie de Jaynes et l'apprentissage automatique pour mapper la distribution de gouttes d'un écoulement diphasique hors équilibre sur un modèle de verre de spin à l'équilibre, cette étude prédit avec succès la transition de phase vers un état vitreux dynamique caractérisé par une réponse non linéaire et de l'hystérésis à l'échelle macroscopique.

L'essentiel

Imaginez que vous essayez de faire couler de l'huile et de l'eau à travers une éponge très fine. C'est ce qu'on appelle un écoulement diphasique dans un milieu poreux. C'est un phénomène que l'on retrouve partout : dans le sol qui boit la pluie, dans les réservoirs de pétrole, ou même dans nos poumons.

Depuis plus d'un siècle, les scientifiques essaient de prédire comment ces fluides se comportent à grande échelle (comme dans un champ entier) en se basant sur ce qui se passe à l'échelle microscopique (dans les tout petits trous de l'éponge). Mais c'est comme essayer de prédire le trafic routier d'une ville entière en regardant seulement une seule voiture : c'est extrêmement difficile.

C'est là que cette recherche apporte une révolution. Les auteurs ont trouvé un moyen ingénieux de traduire ce problème de physique des fluides en un problème de physique du verre (au sens de la matière, pas de la boisson !).

Voici l'explication simple, avec quelques images pour mieux comprendre :

1. Le problème : Le chaos dans l'éponge

Quand vous faites couler deux fluides dans une éponge, ils ne se mélangent pas. L'un pousse l'autre. Parfois, ils forment de gros blocs, parfois de petites gouttes.

• À haute vitesse (ou forte pression) : Tout coule bien, de manière fluide et prévisible. C'est comme une autoroute où les voitures roulent toutes à la même vitesse.
• À basse vitesse : C'est le chaos. Les fluides se coincent, forment des embouteillages, bougent par à-coups. C'est là que ça devient compliqué. Les scientifiques appellent cela le "régime Ib".

2. L'astuce géniale : Transformer l'huile en "aimants"

Pour comprendre ce chaos, les chercheurs ont eu une idée brillante : transformer l'écoulement en un jeu de spins (comme des petits aimants).

Imaginez que chaque petit trou de l'éponge est une pièce de monnaie.

• Si le trou est rempli d'eau, on pose la pièce sur "Face" (+1).
• Si le trou est rempli d'huile, on pose la pièce sur "Pile" (-1).

En regardant comment ces pièces sont disposées, on peut voir des motifs. Parfois, les pièces s'alignent toutes dans le même sens (comme un aimant classique). Parfois, elles sont totalement aléatoires. Et parfois... elles sont dans un état bizarre où elles veulent s'aligner avec leurs voisins, mais les voisins veulent faire l'inverse ! C'est ce qu'on appelle un verre de spin.

3. L'apprentissage machine : Le détective

Comment savoir exactement comment ces "pièces" (les fluides) interagissent ? C'est là qu'intervient l'intelligence artificielle (l'apprentissage machine).
Les chercheurs ont utilisé un algorithme (une sorte de détective numérique) qui a observé des milliers de simulations de fluides. Il a appris à dire : "Ah, quand il y a de l'huile ici, il y a 80% de chances qu'il y ait de l'eau juste à côté."

En apprenant ces règles, l'ordinateur a construit une "carte" mathématique (un Hamiltonien) qui décrit parfaitement le comportement des fluides, mais en utilisant le langage des aimants et de la physique statistique.

4. La découverte majeure : Le point de rupture

Une fois cette "carte" construite, ils ont pu tracer un diagramme de phases (une carte météo pour les fluides). Ils ont découvert quelque chose de surprenant :

• Il existe une ligne critique sur cette carte.
• D'un côté de la ligne, les fluides se comportent comme un gaz (aléatoire, fluide).
• De l'autre côté, ils entrent dans un état vitreux (comme du verre ou du miel très froid).

Le lien magique : Cette ligne critique, où le système devient "vitreux", correspond exactement au moment où la relation entre la pression et le débit change de forme.

• Avant la ligne : Si vous doublez la pression, le débit double (c'est linéaire, comme une voiture sur autoroute).
• Après la ligne : Si vous doublez la pression, le débit augmente beaucoup plus vite (c'est non-linéaire, comme si vous passiez d'une route de campagne à une autoroute).

5. Pourquoi "Verre" ?

Pourquoi appeler cela un état vitreux ?
Imaginez un verre. À température ambiante, c'est solide mais les atomes sont désordonnés. Si vous essayez de le faire bouger, il résiste, il est "figé" dans un état désordonné.
Dans l'éponge, à basse vitesse, les fluides sont comme ce verre :

• Ils sont bloqués dans des configurations désordonnées (des embouteillages de gouttes).
• Ils ont une mémoire : si vous changez un peu la pression, ils ne réagissent pas tout de suite (c'est l'hystérésis).
• Ils fluctuent énormément : ça bouge, ça s'arrête, ça bouge encore, sur des échelles de temps très longues.

En résumé

Cette étude dit essentiellement : "Le moment où les fluides dans une éponge commencent à se comporter de manière bizarre, imprévisible et 'collante', c'est exactement le moment où ils entrent dans un état de 'verre'."

C'est comme si les chercheurs avaient trouvé une clé universelle : pour comprendre le trafic complexe dans les pores d'une éponge, il faut regarder comment les aimants se comportent dans un verre magnétique. Cela permet enfin de prédire avec précision comment l'eau et le pétrole (ou tout autre mélange) vont se déplacer dans le sol, ce qui est crucial pour l'agriculture, l'environnement et l'industrie énergétique.

Résumé technique

Voici un résumé technique détaillé de l'article « Glassy phase transition in immiscible steady-state two-phase flow in porous media » (Transition de phase vitreuse dans l'écoulement diphasique immiscible en régime stationnaire en milieux poreux).

1. Problématique et Contexte

L'écoulement diphasique immiscible en milieux poreux est un phénomène omniprésent (hydrologie, ingénierie des réservoirs, science du sol) étudié depuis plus d'un siècle. Malgré cela, il manque une théorie robuste capable de prédire le comportement macroscopique (échelle de Darcy) à partir de modèles microscopiques (échelle des pores).

Historiquement, les recherches se sont concentrées sur les motifs fractals à l'échelle des pores, mais ces modèles peinent à expliquer les comportements à grande échelle. Une classification récente des régimes d'écoulement à l'échelle de Darcy (Berg et al.) identifie trois régimes principaux basés sur la relation entre la vitesse d'écoulement et le gradient de pression :

• Régime I : Relation linéaire (divisée en Ia, interfaces figées, et Ib, interfaces mobiles mais sans transport net significatif).
• Régime II : Relation de puissance non-linéaire ($v \propto |\nabla P|^\alpha$).
• Régime III : Retour à une relation linéaire à très haut nombre capillaire.

L'objectif de cet article est d'investiguer la nature de la transition entre le régime Ib et le régime II. Les auteurs postulent que cette transition n'est pas simplement un changement de régime hydrodynamique, mais une transition de phase vitreuse (glass transition).

2. Méthodologie

Pour tester cette hypothèse, les auteurs utilisent une approche interdisciplinaire combinant la mécanique des fluides, la physique statistique et l'apprentissage automatique.

• Modélisation de l'écoulement : Ils utilisent un modèle de réseau de pores dynamique (Dynamic Pore Network - DPN) en 2D sur un réseau diamant. Ce modèle simule l'écoulement stationnaire de deux fluides immiscibles (mouillant et non-mouillant) en tenant compte des forces visqueuses et capillaires. Les configurations de saturation sont enregistrées pour différentes valeurs de nombre capillaire ($Ca$) et de saturation globale ($S_n$).
• Cartographie vers un modèle de spins : Les configurations de saturation sont mappées sur un système de spins Ising ($\sigma_i = \pm 1$). Un spin est défini comme +1 si la saturation locale est supérieure à la saturation moyenne, et -1 sinon.
• Principe d'Entropie Maximale (Jaynes) : En utilisant le principe d'entropie maximale de Jaynes, les auteurs dérivent une fonction de probabilité de configuration $P(\{\sigma\})$ qui reproduit les corrélations observées dans les simulations DPN. Cette probabilité prend la forme d'une distribution de Boltzmann associée à un Hamiltonien de type verre de spin :
  $$H(\{\sigma\}) = -\sum_i h_i \sigma_i - \sum_{i<j} J_{ij} \sigma_i \sigma_j$$
  où $h_i$ sont des champs locaux et $J_{ij}$ des couplages entre spins.
• Apprentissage par Machine (Boltzmann Machine Learning - BLM) : Pour déterminer les paramètres inconnus du Hamiltonien ($h_i$ et $J_{ij}$) à partir des données DPN, les auteurs utilisent une méthode d'apprentissage par machine (Inverse Ising). Ils minimisent la distance de Kullback-Leibler entre la distribution de probabilité des données réelles et celle générée par des simulations Monte Carlo du modèle de spins.
• Analyse Thermodynamique : Une fois le modèle de spins calibré, ils calculent les observables thermodynamiques classiques : aimantation ($m$), paramètre d'ordre d'Edwards-Anderson ($q$), susceptibilité uniforme ($\chi_m$) et susceptibilité de verre de spin ($\chi_{sg}$).

3. Résultats Clés

• Validation du Modèle de Spin : Les simulations Monte Carlo du modèle de spins entraîné reproduisent avec une grande précision les corrélations à deux points et même à trois points des configurations de fluide DPN, validant ainsi la validité du mapping entre l'écoulement et le verre de spin.
• Identification de la Phase Vitreuse :
  • À haut nombre capillaire ($Ca$ élevé), le système se comporte comme un paramagnétique : l'aimantation globale $m \approx 0$ et le paramètre d'ordre local $q \approx 0$. Les spins sont désordonnés et fluctuants.
  • À bas nombre capillaire ($Ca$ faible), le système entre dans une phase de verre de spin : bien que l'aimantation globale reste nulle ($m \approx 0$), le paramètre d'ordre d'Edwards-Anderson $q$ devient significativement positif. Cela indique un gel local des spins (frustration et paysages énergétiques rugueux), correspondant à des voies d'écoulement figées ou fortement corrélées.
• Correspondance des Transitions : La ligne critique séparant la phase paramagnétique de la phase de verre de spin dans le diagramme de phase du modèle de spins coïncide exactement avec la transition observée à l'échelle de Darcy entre le régime Ib (linéaire avec fluctuations) et le régime II (non-linéaire).
  • Le pic de la susceptibilité de verre de spin $\chi_{sg}$ se produit au même point de pression que le début de la non-linéarité dans la loi d'écoulement ($Q \sim \Delta P^\alpha$).
• Diagramme de Phase : Le diagramme de phase dans l'espace $(S_n, \log_{10} Ca)$ montre clairement une séparation entre les phases Paramagnétique (P) et Verre de Spin (SG). La transition vers l'état vitreux se produit à des nombres capillaires plus faibles lorsque la saturation $S_n$ s'approche de $\approx 0.4$ (où le débit fractionnaire non-mouillant $F_n$ égale la saturation $S_n$).

4. Contributions Principales

1. Théorie Unificatrice : L'article établit un lien théorique direct entre la dynamique dissipative hors équilibre de l'écoulement diphasique et la mécanique statistique d'équilibre des verres de spin.
2. Nature de la Transition Ib-II : Il démontre que la transition entre le régime d'écoulement linéaire à faible $Ca$ (régime Ib) et le régime de loi de puissance (régime II) est une transition de phase vitreuse. Cela explique les caractéristiques observées du régime Ib : hystérésis, fortes fluctuations temporelles et échelles de temps multiples.
3. Méthodologie Innovante : L'application réussie de l'apprentissage par machine (Boltzmann Machine Learning) pour dériver un Hamiltonien effectif à partir de données d'écoulement complexe, permettant de prédire des comportements macroscopiques à partir de données microscopiques.
4. Diagramme de Phase Prédictif : Construction d'un diagramme de phase complet reliant les paramètres microscopiques (saturation, nombre capillaire) aux états macroscopiques (régimes d'écoulement).

5. Signification et Implications

Cette étude a des implications profondes pour la compréhension des écoulements en milieux poreux :

• Interprétation Physique : Elle fournit une interprétation physique rigoureuse du régime « intermittent » ou « vitreux » observé expérimentalement, le reliant à la frustration et au gel dynamique des interfaces fluides.
• Prédiction Macroscopique : Elle offre une voie pour prédire les comportements non-linéaires complexes à l'échelle de Darcy sans avoir besoin de résoudre les équations de Navier-Stokes à l'échelle des pores pour chaque condition, en utilisant plutôt des modèles statistiques dérivés.
• Généralité : Bien que l'étude se concentre sur des réseaux 2D, la méthodologie est applicable à des systèmes 3D et potentiellement à des données expérimentales réelles (microfluidique, tomographie), ouvrant la voie à une meilleure modélisation des réservoirs pétroliers, de la récupération assistée du pétrole et du stockage géologique du CO2.

En résumé, les auteurs réussissent à transformer un problème d'hydrodynamique complexe en un problème de physique statistique de verres de spin, révélant que l'écoulement diphasique en régime stationnaire à faible nombre capillaire est fondamentalement un état vitreux dynamique.