Simulação de escorregamento de detritos submarinos com o método da produndidade média
Escorregamento de detritos, Método da profundidade média, Herschel-Bulkley
Fluxos de lama submarinos, frequentemente desencadeados por deslizamentos de terra
subaquáticos, levam a uma acumulação substancial de detritos que se estendem por
quilômetros após a estabilização do deslizamento, representando riscos significativos para
instalações essenciais e a capacidade de induzir tsunamis. Como esses eventos são desafiadores
de medir diretamente, a simulação torna-se imperativa. Além disso, essas simulações
devem representar com precisão a dinâmica complexa dos processos de deslizamento de
lama, frequentemente modelados como fluidos viscoplásticos em ambientes submarinos,
e efetivamente capturados por modelos reológicos como Herschel-Bulkley e Bingham. A
potencial não linearidade inerente ao modelo Herschel-Bulkley aumenta a complexidade da
previsão das distâncias finais de deslocamento. As equações governantes, compostas por
um conjunto de equações diferenciais parciais, aumentam ainda mais esse desafio, tornando
sua solução difícil. Neste estudo, investigamos a simulação numérica de fluxos de lama utilizando
o Método da Profundidade Média (DAM), uma técnica que simplifica as equações
governantes ao integrar as equações de momento e continuidade ao longo da profundidade.
Como parte de nossos resultados preliminares, empregamos um esquema de diferenças
finitas para resolver as equações governantes e validamos nosso modelo numérico em relação
a dados experimentais, alcançando boa concordância. Subsequentemente, realizamos uma
análise de sensibilidade centrada em um fluxo de lama submarino hipotético. Essa análise
explorou como as variações na discretização espacial e temporal afetaram a distância final
de deslocamento e a morfologia do fluxo de lama, bem como suas implicações para os
custos computacionais. Cálculos de Erro Quadrático Médio (RMSE) revelaram que uma
discretização mais refinada produz simulações mais precisas, enquanto uma discretização
mais grosseira tende a aumentar os erros. No entanto, resultados satisfatórios ainda podem
ser obtidos com uma seleção cuidadosa de ambos os parâmetros.