Nonlinear Analysis of Gas-Water/Oil-Water Two-Phase Flow in Complex Networks

درک دینامیک جریانهای چند فازی در زمینه دینامیک غیرخطی و مکانیک سیالات یک چالش بوده است. این فصل کار ما را در مورد دینامیک جریان دو فازی در ترکیب با نظریه شبکه پیچیده مرور می کند. ما به طور سیستماتیک آزمایش‌های جریان دو فازی گاز-آب/نفت-آب را برای اندازه‌گیری سری زمانی سیگنال‌های جریان انجام دادیم که از نظر نقشه‌برداری از سری‌های زمانی به شبکه‌های پیچیده مورد مطالعه قرار می‌گیرد. سه روش نگاشت شبکه برای تجزیه و تحلیل و شناسایی الگوهای جریان پیشنهاد شد، یعنی شبکه پیچیده الگوی جریان (FPCN)، شبکه مجتمع دینامیکی سیال (FDCN) و شبکه پیچیده ساختار سیال (FSCN). از طریق تشخیص ساختار جامعه FPCN بر اساس خوشه بندی K-means، الگوهای جریان متمایز را می توان با موفقیت متمایز و شناسایی کرد. تعدادی FDCN تحت شرایط جریان مختلف به منظور آشکار کردن ویژگی‌های دینامیکی جریان‌های دو فازی ساخته شدند. FDCN ها توزیع درجه قدرت-قانون جهانی را نشان می دهند. توان-قانون و آنتروپی اطلاعات شبکه به انتقال بین الگوهای جریان مختلف حساس هستند، که می‌تواند برای توصیف دینامیک غیرخطی جریان دو فازی مورد استفاده قرار گیرد. FSCN ها در فضای فاز از طریق یک رویکرد کلی که ما معرفی کردیم ساخته شدند. ویژگی‌های آماری FSCN می‌تواند بینش کمی در مورد ساختار سیال جریان دو فازی ارائه دهد. این یافته‌های جالب و قابل توجه نشان می‌دهد که شبکه‌های پیچیده می‌توانند ابزار بالقوه قدرتمندی برای کشف دینامیک غیرخطی جریان‌های دو فازی باشند.

Understanding the dynamics of multi-phase flows has been a challenge in the fields of nonlinear dynamics and fluid mechanics. This chapter reviews our work on two-phase flow dynamics in combination with complex network theory. We systematically carried out gas-water/oil-water two-phase flow experiments for measuring the time series of flow signals which is studied in terms of the mapping from time series to complex networks. Three network mapping methods were proposed for the analysis and identification of flow patterns, i.e. Flow Pattern Complex Network (FPCN), Fluid Dynamic Complex Network (FDCN) and Fluid Structure Complex Network (FSCN). Through detecting the community structure of FPCN based on K-means clustering, distinct flow patterns can be successfully distinguished and identified. A number of FDCN’s under different flow conditions were constructed in order to reveal the dynamical characteristics of two-phase flows. The FDCNs exhibit universal power-law degree distributions. The power-law exponent and the network information entropy are sensitive to the transition among different flow patterns, which can be used to characterize nonlinear dynamics of the two-phase flow. FSCNs were constructed in the phase space through a general approach that we introduced. The statistical properties of FSCN can provide quantitative insight into the fluid structure of two-phase flow. These interesting and significant findings suggest that complex networks can be a potentially powerful tool for uncovering the nonlinear dynamics of two-phase flows.