Цифровые двойники пористых структур аэрогелей с использованием клеточно-автоматного подхода и кривых Безье

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье предложена клеточно-автоматная модель на основе кривых Безье для создания цифровых двойников пористых наноструктур различной природы, разработанная с использованием клеточно-автоматного подхода. Проведены вычислительные эксперименты по созданию цифровых двойников полученных экспериментальных образцов аэрогелей на основе хитозана. Проведено сравнение структурных характеристик цифровых копий и экспериментальных образцов, на основе которых были сделаны выводы о корректной работе модели. Полученные цифровые двойники могут быть использованы для прогнозирования свойств пористых волокнистых материалов, в частности, аэрогелей на основе хитозана, что позволит частично заменить натурные эксперименты вычислительными и, следовательно, снизить затраты при разработке новых материалов с заданными свойствами.

Об авторах

И. В. Лебедев

Российский химико-технологический университет имени Д.И. Менделеева

Email: chemcom@muctr.ru
Россия, Москва

С. И. Иванов

Российский химико-технологический университет имени Д.И. Менделеева

Email: chemcom@muctr.ru
Россия, Москва

Р. Р. Сафаров

Российский химико-технологический университет имени Д.И. Менделеева

Email: chemcom@muctr.ru
Россия, Москва

Н. В. Меньшутина

Российский химико-технологический университет имени Д.И. Менделеева

Автор, ответственный за переписку.
Email: chemcom@muctr.ru
Россия, Москва

Список литературы

  1. Svyetlichnyy D.S. A three-dimensional frontal cellular automaton model for simulation of microstructure evolution—initial microstructure module // Model. Simul. Mater. Sci. Eng. 2014. V. 22. № 8. P. 085001.
  2. Krivovichev S.V. Algorithmic crystal chemistry: A cellular automata approach // Crystallogr. Rep. 2012. V. 57. № 1. P. 10–17.
  3. Kimber J.A., Kazarian S.G., Štěpánek F. Microstructure-based mathematical modelling and spectroscopic imaging of tablet dissolution // Comput. Chem. Eng. 2011. V. 35. № 7. P. 1328–1339.
  4. Pérez-Brokate C.F., di Caprio D., Féron D., De Lamare J., Chaussé A. 2014. Overview of Cellular Automaton Models for Corrosion. In Cellular Automata, ed J. Wąs, G.Ch. Sirakoulis, S. Bandini. 8751: 187–96. Cham: Springer International Publishing.
  5. Gurikov P., Kolnoochenko A., Golubchikov M., Menshutina N., Smirnova I. A synchronous cellular automaton model of mass transport in porous media // Comput. Chem. Eng. 2016. V. 84. P. 446–457.
  6. Brouwers H.J.H., de Korte A.C.J. Multi-cycle and multi-scale cellular automata for hydration simulation (of Portland-cement) // Comput. Mater. Sci. 2016. V. 111. P. 116–124.
  7. Bullard J.W. 2008. A Determination of Hydration Mechanisms for Tricalcium Silicate Using a Kinetic Cellular Automaton Model // J. Am. Ceram. Soc. 2008. V. 91. № 7. P. 2088–2097.
  8. Bonchev D., Thomas S., Apte A., Kier L.B. Cellular automata modelling of biomolecular networks dynamics // SAR QSAR Environ. Res. 2010. V. 21. № 1–2. P. 77–102.
  9. Menshutina N., Kolnoochenko A., Lebedev A. Cellular Automata in Chemistry and Chemical Engineering // Annual Review of Chemical and Biomolecular Engineering. 2019. V. 10. P. 325–345.
  10. Бандман О.Л. Клеточно-автоматные модели пространственной динамики // Системная информатика. 2006. Т. 10. С. 59–113.
  11. Бандман О.Л. Метод построения клеточно-автоматных моделей процессов формирования устойчивых структур // Прикладная дискретная математика. 2010. № 4(10).
  12. Lis M., Pintal L., Swiatek J., Cwiklik L. GPU-Based Massive Parallel Kawasaki Kinetics in the Dynamic Monte Carlo Simulations of Lipid Nanodomains // J. Chem. Theory Comput. 2012. V. 8(11). № 65. 4758 p.
  13. Lee H.W., Im Y.-T. Cellular Automata Modeling of Grain Coarsening and Refinement during the Dynamic Recrystallization of Pure Copper // Mater. Trans. 2010. V. 51. № 10. P. 1614–1620.
  14. Gandin Ch.-A., Rappaz M. A coupled finite element-cellular automaton model for the prediction of dendritic grain structures in solidification processes. Acta Metall. Mater. 1994. V. 42 № 7. P. 2233–2246.
  15. Miller W., Succi S., Mansutti D. Lattice Boltzmann Model for Anisotropic Liquid-Solid Phase Transition // Phys. Rev. Lett. 2001. V. 86. № 16. P. 3578–3581.

Дополнительные файлы


© И.В. Лебедев, С.И. Иванов, Р.Р. Сафаров, Н.В. Меньшутина, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».