Order of Magnitude Analysis and Data-Based Physics-Informed Symbolic Regression for Turbulent Pipe Flow

Diese Studie kombiniert eine Ordnungsgrößenanalyse der Navier-Stokes-Gleichungen mit datengestützter, physikinformierter symbolischer Regression, um neue, interpretierbare Korrelationen für den Reibungsfaktor in rauen Rohren zu entwickeln, die experimentelle Daten über einen weiten Reynolds-Zahlenbereich hinweg präzise abbilden und dabei physikalische Skalierungsgesetze einhalten.

Das Wesentliche

Das große Problem: Der Widerstand im Rohr

Stell dir vor, du drückst Wasser durch einen langen, rauen Gartenschlauch. Je rauer der Schlauch ist und je schneller du das Wasser drückst, desto mehr Kraft brauchst du. In der Technik nennt man das Reibungsverluste. Ingenieure brauchen genaue Formeln, um zu wissen, wie viel Energie sie für Pumpen brauchen oder wie viel Druck in einer Pipeline verloren geht.

Seit Jahrzehnten nutzen sie dafür eine Art „Faustformel" (die Colebrook-White-Gleichung). Das Problem ist: Diese Formel ist wie ein verstaubtes, schweres Buch. Man kann sie nicht einfach umstellen, um eine Zahl zu berechnen; man muss sie immer und immer wieder raten, bis man die richtige Antwort findet. Außerdem passt sie nicht immer perfekt zu den Daten, die wir aus echten Experimenten haben.

Die neue Idee: Ein KI-Entdecker mit physikalischem Kompass

Die Autoren dieses Papers haben sich gedacht: „Warum lassen wir nicht einen Computer die perfekte Formel selbst erfinden?" Aber sie wollten nicht, dass der Computer einfach nur Zahlen auswendig lernt (wie ein Schüler, der nur die Antworten auswendig lernt, ohne den Stoff zu verstehen). Das wäre gefährlich, weil der Computer dann bei neuen Situationen Unsinn produzieren könnte.

Stattdessen haben sie dem Computer einen physikalischen Kompass in die Hand gedrückt.

1. Der Kompass: Die „Größenordnung"-Analyse (OMA)

Bevor der Computer loslegt, haben die Forscher eine einfache Analyse gemacht. Sie haben sich gefragt: „Was passiert physikalisch eigentlich?"

• Bei sehr langsamem Wasser zählt die Zähigkeit (Viskosität).
• Bei sehr schnellem Wasser zählen die Stöße der Teilchen (Turbulenz).
• Bei rauen Rohren zählt die Rauheit.

Sie haben daraus vier einfache Regeln abgeleitet, die niemals verletzt werden dürfen. Zum Beispiel: „Wenn das Rohr rauer wird, darf der Widerstand niemals sinken." Oder: „Wenn das Wasser schneller wird, muss der Druckverlust quadratisch steigen."

Das ist wie ein strenger Lehrer, der dem Schüler sagt: „Du darfst kreativ sein, aber du darfst keine physikalischen Gesetze brechen."

2. Der Entdecker: Symbolische Regression (Der KI-Schüler)

Dann haben sie eine spezielle KI (genannt Symbolic Regression) eingesetzt. Stell dir das wie einen sehr kreativen Schüler vor, der Tausende von mathematischen Formeln ausprobiert.

• Normalerweise würde die KI einfach die Formel suchen, die am besten zu den alten Daten passt.
• Bei diesem Projekt hat die KI aber drei Ziele gleichzeitig im Kopf:
  1. Genauigkeit: Passt die Formel zu den Messdaten?
  2. Einfachheit: Ist die Formel kurz und verständlich? (Niemand will eine Formel mit 500 Zeilen).
  3. Physik-Check: Verletzt die Formel die Regeln des „Lehrers" (die vier physikalischen Gesetze)?

Die KI hat nicht nur eine „beste" Formel gesucht, sondern eine ganze Palette von Lösungen, bei denen man entscheiden kann: „Will ich lieber etwas genauer sein und dafür eine komplexere Formel haben, oder eine sehr einfache Formel, die fast genauso gut ist?"

Das Ergebnis: Ein neuer, klarer Weg

Am Ende hat die KI eine neue Formel gefunden (sie nennen sie „Candidate 1").

• Sie ist kurz und lesbar: Man kann sie auf ein Blatt Papier schreiben und verstehen, was sie tut.
• Sie funktioniert überall: Sie beschreibt genau, was passiert, wenn das Rohr glatt ist, wenn es rau ist und wenn es dazwischen liegt.
• Sie ist „ehrlich": Weil sie die physikalischen Regeln von Anfang an beachtet hat, macht sie keine Unsinn-Vorhersagen, wenn man sie auf neue, extreme Situationen anwendet (z. B. sehr hohe Geschwindigkeiten oder ganz andere Flüssigkeiten).

Die Analogie: Der Koch und das Rezept

Stell dir die alten Formeln wie ein Kochrezept vor, das nur sagt: „Mische Zutaten, bis es schmeckt." Wenn du die Zutaten änderst, weißt du nicht, ob es noch schmeckt.

Die neue Methode ist wie ein Koch, der die Chemie der Zutaten versteht.

1. Er weiß: „Wenn ich mehr Salz (Rauheit) nehme, muss der Geschmack intensiver werden." (Das ist der physikalische Kompass).
2. Er experimentiert mit verschiedenen Kombinationen (die KI).
3. Er findet ein neues Rezept, das nicht nur für den einen Tag schmeckt, sondern auch für das nächste Jahr, weil er die Prinzipien des Kochens verstanden hat, nicht nur die Zahlen auswendig gelernt hat.

Warum ist das wichtig?

Diese neue Methode ist wie ein Werkzeugkasten für Ingenieure. Sie hilft uns, effizientere Pipelines zu bauen, weniger Energie zu verbrauchen und Systeme zu verstehen, die wir noch nie gesehen haben (wie Reaktoren mit flüssigem Metall). Statt blind auf alte, komplizierte Formeln zu vertrauen, haben wir jetzt eine klare, verständliche und physikalisch korrekte Anleitung, die von einer KI entwickelt wurde, die wirklich „versteht", wie die Welt funktioniert.

Technische Zusammenfassung

Titel:

Größenordnungsanalyse und datenbasierte, physikalisch informierte symbolische Regression für turbulente Rohrströmungen

1. Problemstellung

Die Vorhersage von Reibungsverlusten in rauen Rohren ist ein zentrales Element im hydraulischen Design und in Energiesystemen. Traditionell werden diese Verluste durch semi-empirische Korrelationen wie die Colebrook-White-Gleichung oder explizite Näherungen (z. B. Haaland) beschrieben. Diese Formeln interpolieren jahrzehntelange experimentelle Daten, können jedoch das Verhalten von Nikuradses Experimenten mit sandkornartiger Rauheit nicht vollständig reproduzieren, insbesondere im Übergangsbereich zwischen glatten und vollständig rauen Strömungen.

Herausforderungen bestehen darin:

• Reine datengetriebene Modelle (Symbolic Regression) oft nur dimensionshomogen sind, aber physikalisch inkonsistentes Verhalten zeigen (z. B. Druckabfall nimmt bei steigender Rauheit ab oder die Viskositätsabhängigkeit widerspricht Impulserhaltungssätzen).
• Bestehende Formeln implizit sind und schwer invertierbar.
• Es fehlt an kompakten, expliziten Formeln, die sowohl die asymptotischen Grenzfälle (glatt vs. voll rau) korrekt wiedergeben als auch physikalische Randbedingungen einhalten.

2. Methodik

Die Autoren kombinieren eine Größenordnungsanalyse (Order-of-Magnitude Analysis, OMA) mit einer physikalisch informierten symbolischen Regression (Physics-Informed Symbolic Regression, PISR).

A. Größenordnungsanalyse (OMA)

Ausgehend von den Reynolds-gemittelten Navier-Stokes-Gleichungen (RANS) und der Transportgleichung für kinetische Energie wird eine Skalierungsrelation für den Druckabfall $\Delta P$ hergeleitet.

• Der Druckabfall wird in einen viskosen Anteil und einen turbulenten (inertialen) Anteil zerlegt.
• Diese Anteile werden durch eine logistische Funktion kombiniert, um den Übergang von der viskose-dominierten glatten Strömung zur trägheits-dominierten rauen Strömung abzubilden.
• Daraus werden vier quantitative physikalische Randbedingungen (Constraints) abgeleitet, die die lokalen Sensitivitäten des Druckabfalls gegenüber Geschwindigkeit, Rauheit, Viskosität und Dichte einschränken:
  1. Geschwindigkeitsexponent ($\chi$): Muss im Bereich $1 \lesssim \chi \lesssim 2.4$ liegen und für hohe Reynolds-Zahlen gegen 2 konvergieren.
  2. Rauhigkeitssensitivität ($s$): Muss nicht-negativ sein (Druckabfall darf bei steigender Rauheit nicht sinken).
  3. Viskositätskonsistenz ($\alpha$): Muss im glatten Bereich positiv und im voll rauhen Bereich gegen 0 gehen.
  4. Dichtesensitivität ($\gamma$): Muss positiv sein und gegen 1 konvergieren.

B. Symbolische Regression mit Constraints

Die Autoren modifizierten den GPTIPS2-Engine (Multi-Genetische Programmierung), um diese physikalischen Constraints direkt in den Optimierungsprozess zu integrieren.

• Optimierungsziel: Statt eines einzelnen Verlustfunktionsminimums wird ein 3-dimensionaler Pareto-Front gesucht, basierend auf drei Zielen:
  1. Fitness ($J_{err}$): Normalisierter RMSE der Vorhersage.
  2. Komplexität ($J_{comp}$): Anzahl der Knoten im Ausdruck (Strukturkomplexität).
  3. Physik-Score ($J_{phys}$): Maß für die Verletzung der OMA-Constraints (maximale Abweichung der vier Sensitivitäten).
• Prozess: Jeder Kandidat durchläuft eine zweistufige Optimierung (Ridge-Regression für Gewichte, Nelder-Mead für Konstanten) und wird auf den Constraints geprüft. Die Selektion erfolgt über Pareto-Dominanz, um einen expliziten Kompromiss zwischen Genauigkeit, Einfachheit und physikalischer Konsistenz zu finden.

3. Wichtige Beiträge

1. Herleitung von OMA-Constraints: Quantitative, datenkalibrierte Grenzen für die lokalen Potenzgesetze-Exponenten von Druckabfall in Bezug auf Geschwindigkeit, Rauheit, Viskosität und Dichte.
2. Physik-informierter Workflow: Entwicklung eines Symbolic-Regression-Frameworks, das GPTIPS2 um eine gemeinsame Optimierung von Konstanten und eine 3-Ziel-Pareto-Suche erweitert, anstatt Physik nur als Strafterm zu verwenden.
3. Neue explizite Korrelationen: Entdeckung kompakter, interpretierbarer Formeln für den Reibungsfaktor $f(Re, \epsilon/D)$, die die Nikuradse- und Superpipe-Daten genau abbilden und gleichzeitig die physikalischen Asymptoten korrekt reproduzieren.

4. Ergebnisse

• Kandidatenmodelle: Es wurden mehrere Modelle auf der Pareto-Front identifiziert.
  • Kandidat 1 (Beste Genauigkeit): Ein komplexerer Ausdruck (45 Knoten), der die Daten sehr genau abbildet und die physikalischen Constraints gut erfüllt.
  • Kandidat 2 (Einfachste Form): Ein sehr kompakter Ausdruck (26 Knoten) mit hervorragendem Physik-Score, jedoch etwas höherem Trainingsfehler.
• Physikalische Interpretation: Die Struktur des besten Modells (Kandidat 1) lässt sich physikalisch deuten:
  • Ein linearer Term in $\epsilon/D$ dominiert den voll rauhen Bereich.
  • Ein hochgradig nichtlinearer Term (mit großem Exponenten) fungiert als "Schalter" (Gate), der den Übergang von glatt zu rau steuert.
  • Ein Term mit $1/Re$-Abhängigkeit beschreibt das Verhalten im glatten Bereich.
• Validierung: Die Modelle wurden an unabhängigen Datensätzen aus dem Princeton/Oregon "Superpipe" (hohe Reynolds-Zahlen bis $Re \sim 10^7$, verschiedene Rauheiten) getestet.
  • Die Modelle generalisieren gut auf Rauheiten, die nicht im Trainingsset waren.
  • Im voll rauhen Bereich zeigen sie ähnliche Abweichungen wie die etablierte Haaland-Formel, was auf Unsicherheiten in der effektiven Rauheit der Testrohre hindeutet, bestätigt aber die Robustheit des Ansatzes.
• Robustheit: Eine Sensitivitätsanalyse (±1% Störung der Koeffizienten) zeigt, dass die Modelle trotz scharfer Übergangsfunktionen (große Exponenten) im Median robust sind, auch wenn sie in bestimmten Übergangsbereichen empfindlicher auf Parameteränderungen reagieren als klassische Formeln.

5. Bedeutung und Ausblick

Die Arbeit demonstriert erfolgreich, dass die Kombination aus Größenordnungsanalyse und multi-objektiver symbolischer Regression zu interpretierbaren, physikalisch konsistenten und hochgenauen Korrelationen führt.

• Vorteil: Im Gegensatz zu rein datengetriebenen "Black-Box"-Modellen oder starren semi-empirischen Formeln bietet dieser Ansatz explizite Formeln, die das physikalische Verhalten (Asymptoten, Monotonie) erzwingen.
• Anwendbarkeit: Das Framework ist allgemein übertragbar auf andere dimensionslose Korrelationsprobleme, bei denen nur die führenden Ordnungen bekannt sind.
• Relevanz: Dies ermöglicht die Entwicklung von Reibungsfaktoren für extreme thermohydraulische Umgebungen (z. B. Flüssigmetall-Reaktoren, überkritische Wassersysteme), für die klassische Korrelationen (wie Haaland), die primär auf Wasser/Luft-Daten basieren, unzureichend sind.

Zusammenfassend bietet der vorgestellte Rahmenwerk einen Weg, um physikalische Prinzipien direkt in die Struktur maschinell gelernter Gleichungen zu integrieren, ohne dabei auf die Flexibilität datengetriebener Methoden zu verzichten.