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

Immaginate una goccia d'acqua che cade su una superficie piana. Mentre si diffonde, il bordo dove il liquido, l'aria e il solido si incontrano non scivola semplicemente come uno pneumatico sull'asfalto. Invece, questo confine, noto come linea di contatto, si comporta in un modo che sfida le regole standard della meccanica dei fluidi usate per descrivere la maggior parte dei liquidi in movimento. Per decenni, gli scienziati hanno faticato a simulare questo moto sui computer perché la fisica all'estremo bordo della goccia coinvolge scale così piccole — fino alle dimensioni delle singole molecole — che cercare di calcolare ogni dettaglio richiederebbe una potenza di calcolo superiore a quella esistente. Per aggirare questo problema, i ricercatori hanno utilizzato scorciatoie, o "modelli subgrid", per indovinare cosa accade in quel bordo microscopico. Tuttavia, queste scorciatoie hanno un grande difetto: i risultati che producono spesso cambiano a seconda di quanto finemente il computer divide lo spazio in una griglia, rendendo le simulazioni inaffidabili per le previsioni del mondo reale.

Un team di ricercatori presso l'Indian Institute of Science Education and Research di Bhopal ha sviluppato un nuovo modo per gestire questo problema. Hanno creato un modello che permette ai computer di simulare accuratamente le linee di contatto in movimento senza la necessità di conoscere i dettagli microscopici impossibili da misurare. Il loro approccio colma il divario tra la fisica minuscola e invisibile all'estremità di una goccia e il comportamento più grande e visibile del fluido. In questo modo, hanno prodotto simulazioni che rimangono coerenti e accurate indipendentemente dalla dimensione della griglia del computer, un passo cruciale verso la previsione di come i liquidi si comportano in tutto, dalla stampa a getto d'inchiostro al recupero di petrolio, senza dover modificare il modello per ogni singola nuova situazione.

Il cuore del problema risiede in un conflitto tra come i fluidi si muovono e come toccano le superfici solide. Nella meccanica dei fluidi standard, una regola chiamata "condizione di non scorrimento" (no-slip condition) afferma che un fluido che tocca una superficie solida deve fermarsi completamente in quel confine. Sebbene questo funzioni bene per la maggior parte dei flussi, si interrompe alla linea di contatto di una goccia in movimento, creando una singolarità matematica in cui le forze diventano infinite. Per risolvere questo, gli scienziati hanno storicamente assunto che il fluido scivoli leggermente sulla superficie, ma la distanza di questo scivolamento è così piccola che è impossibile misurarla direttamente. Di conseguenza, i precedenti modelli informatici dovevano indovinare questi valori microscopici o fare affidamento su parametri di adattamento per corrispondere ai dati sperimentali. Ciò significava che se un ricercatore voleva simulare un tipo diverso di liquido o una velocità diversa, spesso doveva ricominciare e ricalibrare il modello, privandolo della sua capacità di prevedere nuovi scenari.

I ricercatori in questo studio hanno compreso che l'incoerenza nelle simulazioni precedenti derivava da un malinteso su come l'angolo della goccia cambi spostandosi lontano dalla linea di contatto. Si sono basati su una teoria ben consolidata degli anni '80 che descrive come l'interfaccia del liquido si curvi a causa della competizione tra la tensione superficiale e l'attrito interno del fluido. Questa teoria mostra che l'angolo che si vede dipende da quanto si è lontani dal bordo durante l'osservazione. I ricercatori hanno combinato questa comprensione teorica con le formule empiriche esistenti — regole derivate dall'osservazione di gocce reali — per creare un nuovo modello unificato. Invece di costringere il computer a indovinare la microscopica lunghezza di scivolamento o l'esatto angolo alla parete, il loro modello calcola l'angolo corretto da utilizzare in base alla dimensione delle celle della griglia del computer.

Per testare la loro idea, il team ha eseguito una serie di simulazioni al computer di una goccia che si diffonde su una piastra piana. Hanno confrontato il loro nuovo metodo con le tecniche precedenti utilizzando diverse dimensioni di griglia, da quelle grossolane a quelle molto fini. Nei metodi precedenti, cambiare la dimensione della griglia alterava significatamente i risultati, facendo sì che la goccia simulata si diffondesse a velocità diverse o assumesse forme differenti. Con il nuovo modello, invece, i risultati rimanevano virtualmente identici in tutte le dimensioni della griglia. La goccia simulata si comportava in modo coerente, sia che il computer utilizzasse una griglia grossolana o una fine. Ciò ha dimostrato che il modello aveva eliminato con successo la dipendenza artificiale dalla griglia, un fenomeno noto come dipendenza dalla griglia (grid-dependence).

Lo studio ha anche esplorato come questo nuovo modello si comporta sotto varie condizioni, come diverse velocità di flusso e diversi tipi di liquidi. Hanno testato scenari in cui il liquido si sta diffondendo (avanzamento) e dove si sta ritraendo (recessione). In ogni caso, il nuovo modello ha prodotto risultati stabili e indipendenti dalla griglia. Un risultato chiave è stato che il modello non richiedeva alcun "parametro di adattamento" derivato da esperimenti specifici per funzionare. Una volta che i ricercatori hanno stabilito la scala alla quale le formule empiriche originali erano state derivate, il modello poteva prevedere il comportamento del flusso senza ulteriori aggiustamenti. Questo rappresenta una significativa divergenza rispetto ai metodi precedenti, che spesso richiedevano una calibrazione unica per ogni nuovo set di condizioni.

I ricercatori hanno anche indagato perché alcune simulazioni precedenti sembrassero funzionare bene in passato, anche senza questo nuovo sistema di correzione. Hanno scoperto che in certe situazioni, in particolare con sistemi gas-liquido, l'errore introdotto dalla dimensione della griglia era naturalmente abbastanza piccolo da passare inosservato. Inoltre, se la griglia del computer fosse coincisa con la scala specifica in cui erano stati raccolti i dati sperimentali originali, i risultati sarebbero coincisi accidentalmente con la realtà. Tuttavia, si trattava di una questione di fortuna piuttosto che di una soluzione robusta. Il nuovo modello rimuove questo elemento di casualità, fornendo un quadro affidabile che funziona in una vasta gamma di condizioni fisiche, incluse diverse densità e viscosità.

Uno degli aspetti più promettenti di questo lavoro è il suo potenziale di capacità predittiva. Poiché il modello non dipende dal conoscere la microscopica lunghezza di scivolamento o l'esatto angolo di contatto alla parete — quantità notoriamente difficili da misurare — può essere applicato a nuovi problemi dove questi valori sono sconosciuti. I ricercatori hanno dimostrato che, conoscendo semplicemente la scala alla quale sono state effettuate le osservazioni sperimentali originali, il modello può essere applicato universalmente. Ciò significa che ingegneri e scienziati potrebbero usare queste simulazioni per progettare sistemi migliori per la rivestimento delle superfici, la gestione del flusso di fluidi in rocce porose o la comprensione dei processi biologici nei polmoni, con la certezza che i risultati non siano artefatti della griglia del computer.

Lo studio conclude che, sebbene l'approssimazione del primo ordine del loro modello funzioni bene per la maggior parte degli angoli, scenari più complessi che coinvolgono angoli di contatto molto grandi potrebbero richiedere una correzione matematica leggermente più dettagliata. Tuttavia, l'approccio fondamentale di collegare la teoria microscopica con le osservazioni macroscopiche si è dimostrato efficace. Trattando la linea di contatto non come un punto fisso con proprietà misteriose, ma come una caratteristica dinamica che risponde alla scala di osservazione, i ricercatori hanno fornito uno strumento che è sia accurato che ampiamente applicabile. Questo lavoro rappresenta un passaggio dal semplice adattamento dei dati alla comprensione della fisica sottostante, offrendo una via verso simulazioni che possano davvero prevedere come i liquidi si comporteranno nel mondo reale.