점성 및 무작위 힘이 단순 유체 압력 계산에 미치는 영향

초록

본 연구는 점성(소산) 힘과 무작위(브라운) 힘이 보존력과 함께 흐름의 평균 압력에 어떻게 기여하는지를 DPD(소산 입자 동역학) 모델을 통해 분석한다. 장시간 시뮬레이션과 적절한 힘 결합, 그리고 적당한 시간 단계에서 무작위·소산 힘의 평균 기여는 거의 무시할 수 있음을 확인하였다. 반면 무작위 힘을 제거하면 소산력과 보존력의 경쟁으로 시스템이 고체화되는 현상이 나타난다.

상세 분석

이 논문은 DPD( Dissipative Particle Dynamics )라는 메소포식 모델을 이용해, 점성(소산) 힘과 무작위(브라운) 힘이 단순 유체의 압력 계산에 미치는 영향을 정량적으로 평가한다. DPD는 입자 간 보존력, 점성력, 무작위 힘의 세 가지 상호작용을 포함하며, 점성력은 상대 속도에 비례하고 무작위 힘은 가우시안 백색 잡음으로 정의된다. 두 힘은 플럭투에이션‑디스소시에이션 정리(fluctuation‑dissipation theorem, FDT)를 만족하도록 상호 연관되며, 이는 열역학적 평형을 보장한다.

저자는 먼저 전통적인 기체‑액체‑고체 전이에서 압력이 어떻게 정의되는지를 검토한다. 압력은 Virial 정리 (P = \rho k_B T + \frac{1}{3V}\sum_{i<j}\mathbf{r}{ij}\cdot\mathbf{F}{ij}) 에 의해 구해지며, 여기서 (\mathbf{F}{ij}) 는 두 입자 사이의 총 힘이다. DPD에서는 (\mathbf{F}{ij} = \mathbf{F}^{C}{ij} + \mathbf{F}^{D}{ij} + \mathbf{F}^{R}_{ij}) 로 분해되므로, 압력도 각각 보존, 점성, 무작위 기여로 나뉜다.

시뮬레이션 설정은 입자 수 (N=4000) 정도, 밀도 (\rho=3) , 보존력 파라미터 (a=25) , 점성계수 (\gamma) 와 무작위계수 (\sigma) 를 FDT 관계 (\sigma^2 = 2\gamma k_B T) 에 맞춰 선택하였다. 시간 단계 (\Delta t) 는 0.01~0.05 (무차원) 범위에서 변화를 주어, 통합 오차가 압력에 미치는 영향을 조사했다.

주요 결과는 다음과 같다. 첫째, 장시간(10⁶ 스텝 이상) 평균을 취하면 점성·무작위 힘의 Virial 항은 통계적으로 0에 수렴한다. 이는 점성 힘이 항상 짝을 이루는 반대 방향의 무작위 힘에 의해 상쇄된다는 물리적 의미와 일치한다. 둘째, 시간 단계가 너무 작을 경우(예: (\Delta t < 0.005)) 수치적 잡음이 증가해 점성·무작위 항이 비정상적으로 크게 나타날 수 있다. 반대로 너무 큰 (\Delta t) (>0.07)에서는 에너지 보존이 깨져 압력 오차가 급증한다. 따라서 “적당한” (\Delta t) 범위가 존재함을 확인했다.

세 번째 실험에서는 무작위 힘을 완전히 제거하고 점성·보존 힘만을 남겼다. 이 경우 FDT가 깨지면서 시스템은 점성 손실만 지속적으로 에너지를 소모하게 되고, 온도가 급격히 낮아진다. 결과적으로 입자들은 서로 끌어당기는 보존력에 의해 고정되며, 구조적 인덱스(g(r))가 결정 구조와 유사한 피크를 보이며 유체가 “동결”한다. 이는 점성·보존 힘만으로는 열적 교란을 제공하지 못해, 유동성을 유지하려면 무작위 힘이 필수적임을 시사한다.

마지막으로, 저자는 이러한 결과가 DPD에 국한되지 않고, 유사한 속도‑의존성 점성 모델(예: Lattice‑Boltzmann‑DPD, Smoothed Dissipative Particle Dynamics)에도 적용될 수 있음을 논의한다. 특히, FDT를 만족하도록 설계된 경우 점성·무작위 항은 평균적으로 압력에 기여하지 않으며, 보존력만이 압력의 주요 원천이 된다. 이는 압력 계산을 단순화하고, 파라미터 튜닝 시 보존력 파라미터에 집중할 수 있게 한다는 실용적 의미를 가진다.

요약하면, 점성·무작위 힘은 적절히 결합되고 충분히 긴 시뮬레이션 동안 평균을 취하면 압력에 실질적 영향을 주지 않으며, 무작위 힘이 없을 경우 시스템은 비가역적인 에너지 손실로 인해 고체화한다. 이러한 통찰은 DPD 기반 멀티스케일 시뮬레이션에서 압력 계산의 정확성을 보장하고, 모델 설계 시 불필요한 파라미터를 제거하는 데 기여한다.