Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

Diese Arbeit präsentiert ein Framework des maschinellen Lernens, das aus Diskret-Elemente-Methode-Simulationen präzise, konzentrationsabhängige nicht-newtonsche rheologische Modelle ableitet und somit eine effiziente sowie präzise großskalige Lagrange-Meereismodellierung ermöglicht, welche komplexe Verhaltensweisen wie Strukturviskosität und Dilatanz über variierende Eiskonzentrationen hinweg erfasst.

Das Wesentliche

Stellen Sie sich den Arktischen Ozean als ein riesiges, gefrorenes Puzzle vor, das aus Millionen einzelner Eisstücke, oder „Floes“, besteht. Diese Stücke driften, prallen gegeneinander, reiben aneinander und türmen sich manchmal zu Rillen auf. Seit Jahrzehnten versuchen Wissenschaftler, wie sich dieses riesige Puzzle bewegt, mithilfe von Computermodellen vorherzusagen.

Der alte Weg: Eine grobe Schätzung
Traditionell behandelten Wissenschaftler das Meereis wie eine dicke, klebrige Flüssigkeit (wie Honig oder Farbe). Sie verwendeten ein 50 Jahre altes Rezept, um zu erraten, wie „dick“ oder „klebrig“ das Eis unter Druck wäre. Dieses Rezept funktioniert ganz gut, wenn das Eis im Zentrum des Ozeans dicht gepackt ist, aber es versagt, wenn das Eis dünner ist oder sich in der Nähe der Ränder befindet. Es ist so, als würde man versuchen, die Bewegung einer Menschenmenge vorherzusagen, indem man davon ausgeht, dass alle ein einziger, fester Klumpen Ton sind; dabei ignoriert man, dass Menschen einzeln zusammenstoßen, gleiten und sich gegenseitig schubsen.

Der neue Weg: Lernen von den „Partikeln“
Die Autoren dieser Arbeit wollten ein besseres Rezept. Sie begannen mit einer super-detaillierten Computersimulation, der sogenannten „Discrete Element Method“ (DEM). Denken Sie an dies als ein High-End-Videospiel, in dem jedes einzelne Eisstück ein separater Charakter mit eigener Physik ist. Es berechnet jede Kollision und jeden Reibungspunkt. Dies ist unglaublich genau, aber so rechenintensiv, dass es unmöglich ist, es für die gesamten Weltmeere laufen zu lassen.

Also fragte das Team: Können wir ein einfacheres Modell dazu bringen, sich wie dieses super-detaillierte Spiel zu verhalten?

Die Lösung: Eine „intelligente“ Flüssigkeit
Sie entwickelten ein neues Modell, das das Eis wieder als Flüssigkeit behandelt, aber anstatt ein festes, altes Rezept dafür zu verwenden, wie „dick“ das Eis ist, nutzten sie Künstliche Intelligenz (KI), um das Rezept im laufenden Betrieb zu erlernen.

So haben sie es gemacht, unter Verwendung einer einfachen Analogie:

1. Der Lehrer: Das super-detaillierte „Videospiel“ (DEM) fungiert als Lehrer. Es führt Simulationen durch und zeigt das resultierende Tempo und die Richtung des Eises.
2. Der Schüler: Das neue, einfachere Flüssigkeitsmodell fungiert als Schüler. Es besitzt ein „Gehirn“ (ein neuronales Netzwerk), das rät, wie dick das Eis zu jedem gegebenen Zeitpunkt ist.
3. Die Lektion: Der Schüler versucht, das Ergebnis des Lehrers nachzuahmen. Wenn die Vorhersage des Schülers über die Geschwindigkeit des Eises falsch ist, passt das KI-Gehirn seine internen Einstellungen an, um dem Ergebnis des Lehrers näher zu kommen.
4. Das Regelwerk: Entscheidend war, dass sie die KI nicht einfach irgendetwas raten ließen. Sie zwangen die KI, den Gesetzen der Physik (wie Energieerhaltung und Symmetrie) zu folgen, damit die Ergebnisse in der realen Welt Sinn ergeben.

Was sie entdeckten
Indem sie die KI von der detaillierten Simulation lernen ließen, fanden sie einige überraschende Dinge über das Meereis heraus:

• Es ist nicht nur klebrig; es ist intelligent: Das Eis verhält sich nicht immer gleich.
  • Wenn das Eis mäßig dicht gepackt ist, verhält es sich wie eine scherverdickende Flüssigkeit (wie Speisestärke und Wasser). Wenn man es schneller drückt, wird es härter und widerstandsfähiger, fast so, als würde es sich in festes Gestein verwandeln.
  • Wenn das Eis sehr dicht gepackt ist, verhält es sich wie eine scherverdünnende Flüssigkeit (wie Ketchup). Wenn man es schneller drückt, fließt es tatsächlich leichter.
• Winzige Änderungen, riesige Auswirkungen: Eine winzige Änderung der Eisbedeckung des Ozeans (nur 5 % mehr oder weniger) kann die „Viskosität“ (Dicke) des Eises um Tausende Male verändern. Es ist wie ein Lichtschalter, der mit der kleinsten Anpassung von „flüssig“ zu „fest“ umschaltet.
• Es funktioniert überall: Obwohl sie die KI nur mit einfachem, geradlinigem Wind und Wasserströmungen trainiert hatten, konnte das Modell erfolgreich vorhersagen, wie sich das Eis in komplexen, wirbelnden oder sich ändernden Wettermustern bewegen würde. Es funktionierte sogar, als sie es auf einer 2D-Karte testeten, nicht nur in einer geraden Linie.

Warum das wichtig ist
Das Paper kommt zu dem Schluss, dass diese Methode ein großer Schritt nach vorn ist. Anstatt mit alten, unvollkommenen Formeln zu raten, wie sich das Eis verhält, können wir nun die Regeln direkt aus hochpräzisen Daten „lernen“. Dies ermöglicht es Wissenschaftlern, Modelle zu erstellen, die sowohl schnell genug sind, um auf globaler Ebene zu laufen, als auch genau genug, um die komplexe, unebene Realität der Interaktion von Eisflächen tatsächlich zu erfassen.

Kurz gesagt: Sie haben einem einfachen Flüssigkeitsmodell beigebracht, wie eine komplexe Menge von Eisstücken zu „denken“, was zu einer viel genaueren Möglichkeit führt, vorherzusagen, wie sich unsere gefrorenen Ozeane bewegen werden.

Technische Zusammenfassung

Technisches Resümee: Nicht-Newtonianische viskose Fluidmodelle mit gelernter Rheologie für Meereis

Problemstellung
Die genaue Vorhersage der Meereisdynamik ist entscheidend für die Klimamodellierung und die Küstensicherheit, doch bestehende Kontinuumsmodelle stehen vor erheblichen Einschränkungen. Der Standardansatz, das Hibler-visko-plastische Modell (basierend auf der AIDJEX-Arbeit von vor 50 Jahren), funktioniert moderat gut für kompaktes Eis im zentralen Eispack, verliert jedoch in der Randeiszone an Vorhersagegenauigkeit. In diesen Regionen führen geringere Eiskonzentrationen zu granularen Effekten – wie Kollisionen, Reibungskontakten und Aufwerfungen (Ridging) –, welche das Hibler-Modell nicht erfasst. Umgekehrt bieten Methoden der diskreten Elemente (Discrete Element Methods, DEM), die einzelne Eisschollen und deren Interaktionen auflösen, eine hohe Detailtreue, sind jedoch für großskalige Simulationen rechentechnisch zu aufwendig. Während datengesteuerte Ansätze unter Verwendung von wissenschaftlichem maschinellem Lernen (Scientific Machine Learning, sciML) zur Parametrisierung der Rheologie entstanden sind, verlassen sich viele auf vordefinierte Funktionsformen oder Spannungs-Dehnungs-Daten, die möglicherweise verrauscht oder aus Beobachtungen nicht verfügbar sind. Zudem zielen bestehende Arbeiten oft auf Fluide ab, bei denen standardmäßige nichtlineare Viskositätsmodelle ausreichen sollten, wohingegen die rheologische Struktur komplexer DEM-Meereisdaten nicht klar definiert ist.

Methodik
Die Autoren schlagen ein Framework vor, um ein kontinuierliches nicht-newtonianisches viskoses Fluidmodell abzuleiten, das die durch eine DEM (speziell das SubZero-Modell) berechneten Geschwindigkeitsfelder reproduziert. Die Kernmethodik umfasst die folgenden Schritte:

1. Datengenerierung: Die Autoren generieren Trainingsdaten mittels der SubZero DEM, die unregelmäßige polygonale Eisschollen simuliert, die über Kollisionen und Reibung interagieren. Die Simulationen werden durch Ozeandruck und Windkräfte in einer eindimensionalen, parallelen Scherströmung gesteuert. Die DEM löst die Bewegung tausender Schollen auf, aus denen horizontale Geschwindigkeiten und Scherspannungen räumlich über Gitterzellen gemittelt werden, um Euler’sche Datensätze zu erstellen.
2. Rheologische Parametrisierung: Anstatt eine spezifische Funktionsform anzunehmen, wird die effektive Scherviskosität $\psi$ als ein Feedforward-Neuronales-Netz (NN) dargestellt. Die Rheologie wird durch physikalische Prinzipien eingeschränkt:
   • Rahmeninvarianz (Frame-Indifference): Das Konstitutivgesetz wird als skalare Funktion der Hauptinvarianten des Deformationsraten-Tensors formuliert (in 1D: $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • Positivität und Monotonie: Die NN-Architektur erzwingt eine nicht-negative Viskosität (unter Verwendung der ELU-Aktivierungsfunktion) und die Monotonie der Spannungs-Dehnungs-Abbildung, um sicherzustellen, dass die resultierende PDE wohldefiniert und eindeutig lösbar ist.
3. Trainingsstrategie (PDE-beschränkte Optimierung): Im Gegensatz zu Standardansätzen, die den Spannungs-Dehnungs-Fehler minimieren, minimiert dieses Framework die Differenz zwischen den DEM-Geschwindigkeitsdaten und der Lösung der kontinuierlichen Impulsgleichung. Das Trainingsziel ist $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$, wobei $u(\theta, A)$ die Lösung der PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$ ist.
   • Die Optimierung erfolgt mittels einer Kombination aus der Finite-Elemente-Methode (Firedrake) und automatischer Differenzierung (PyTorch).
   • Gradienten werden über die Adjoint-Methode berechnet, indem das linearisierte Adjoint-Problem gelöst wird, um die Gewichte $\theta$ des NN zu aktualisieren.
   • Es wird eine zweistufige Optimierung angewandt: Zuerst wird ein Spannungs-Dehnungs-Fehler ($J_s$) minimiert, um eine Anfangsschätzung zu liefern, gefolgt von der Verfeinerung mit dem Geschwindigkeitsfehler ($J_v$).

Wichtigste Ergebnisse
Die Studie zeigt, dass eine gelernte, nichtlineare Rheologie die DEM-Geschwindigkeitsfelder über einen weiten Bereich von Bedingungen hinweg genau reproduzieren kann:

• Scherverdickung und Scherverdünnung: Die abgeleitete Rheologie offenbart einen Übergang im Verhalten in Abhängigkeit von der Eiskonzentration ($A$). Bei niedrigeren Konzentrationen (z. B. $A=0,85$) zeigt das Meereis ein scherverdickendes Verhalten (die Viskosität steigt mit der Dehnrate). Bei höheren Konzentrationen (z. B. $A=0,95$) geht das Verhalten in ein scherverdünnendes Verhalten über.
• Sensitivität gegenüber der Konzentration: Es wurde festgestellt, dass die effektive Scherviskosität bei geringfügigen Änderungen der Eiskonzentration (sogar nur um 5 %) um mehrere Größenordnungen ansteigt.
• Generalisierung: Das trainierte Modell mit festen Gewichten generalisiert erfolgreich auf:
  • Unterschiedliche Antriebskräfte: Instationäre Probleme, die durch zeitabhängige Wind- und Ozeanprofile gesteuert werden, einschließlich „ungesehener“ Konzentrationen (z. B. $A=0,875$), die nicht im Trainingssatz enthalten waren.
  • 2D-Konfigurationen: Das Modell reproduziert erfolgreich Geschwindigkeitsfelder in einem zweidimensionalen inkompressiblen Setup und bewahrt dabei die in der DEM beobachteten Symmetrien, kann jedoch keine kompressiblen Effekte wie die lokale Umverteilung der Konzentration erfassen.
  • Vergleich mit der Spannungs-Dehnungs-Anpassung: Die Autoren stellen fest, dass ein Modell, das eng an die verrauschten Spannungs-Dehnungs-Daten der DEM angepasst ist, nicht zwangsläufig die Geschwindigkeitsfelder korrekt reproduziert. Die geschwindigkeitsbasierte Optimierung ($J_v$) erweist sich als überlegen, um die makroskopische Dynamik zu erfassen.

Bedeutung und Ansprüche
Das Paper behauptet, dass dieses Framework einen „großen Schritt“ darstellt zur Entwicklung von nicht-newtonianischen Modellen, die die beobachtete Meereisdynamik präzise abbilden können. Durch die Ableitung der Rheologie direkt aus Geschwindigkeitsdaten (die aus Satellitenbildern leichter verfügbar sind als Spannungsdaten) und die Einbettung der zugrunde liegenden PDE in die Trainingsschleife überwindet die Methode die Einschränkungen phänomenologischer Parametrisierungen und die hohen Kosten von DEMs.

Die Autoren betonen, dass ihr Ansatz keine vordefinierte rheologische Form voraussetzt, was die Entdeckung komplexer Verhaltensweisen (wie den Übergang von Scherverdickung zu Scherverdünnung) ermöglicht, die Standardmodelle wie das von Hibler (welches für alle Konzentrationen plastisches Verhalten vorhersagt) oder einfache Kollisionsmodelle möglicherweise übersehen würden. Obwohl das aktuelle Modell Inkompressibilität annimmt und mechanische Deformationen wie Bruch oder Aufwerfung ignoriert, bietet das Framework ein physikalisch sinnvolles, recheneffizientes Kontinuumsmodell, das die wesentliche Dynamik granularer Meereisströme erfasst. Die Arbeit legt nahe, dass datengesteuerte Rheologie-Inferenz die Lücke zwischen hochaufgelösten diskreten Simulationen und skalierbaren Kontinuumsmodellen für Erdsystemmodelle schließen kann.