Bayesian neural network correction of RANS turbulence models with uncertainty quantification in separated flows

Diese Arbeit präsentiert ein Framework auf Basis Bayesscher neuronaler Netze zur unsicherheitsbewussten Korrektur von RANS-Turbulenzmodellen, wobei die Kombination aus einer Korrektur der turbulenten kinetischen Energie und der Anisotropie die Vorhersage von Ablöseströmungen signifikant verbessert, jedoch Herausforderungen bei der Generalisierung auf unbekannte Strömungskonfigurationen aufzeigt.

Das Wesentliche

Das Problem: Der „blinde“ Flugsimulator

Stellen Sie sich vor, Sie sind ein Ingenieur, der ein neues Flugzeug entwirft. Um zu testen, ob die Flügel bei einem Sturm abbrechen oder ob die Luft sanft über die Tragfläche gleitet, nutzen Sie Computerprogramme.

Das Standard-Programm, das fast jeder nutzt (die sogenannte RANS-Methode), ist wie ein Zeichner, der nur mit einem dicken Filzstift arbeitet. Er ist schnell und günstig, aber er ist „blind“ für Details. Wenn die Luft über eine Kurve fließt und plötzlich wild wirbelt (das nennt man „Strömungsablösung“), kann der Filzstift diese feinen, chaotischen Bewegungen nicht zeichnen. Er macht die Welt zu glatt und zu ordentlich. Das Ergebnis? Der Computer sagt: „Alles super!“, aber in der Realität stürzt das Flugzeug ab.

Die Lösung: Der „intelligente Korrektur-Lehrer“

Die Forscher aus Delft haben nun eine Art „intelligente Brille“ für diesen dicken Filzstift entwickelt. Sie nutzen dafür Bayesianische Neuronale Netze (BNN).

Stellen Sie sich das so vor:
Wir haben zwei Schüler, die dem dicken Filzstift helfen sollen:

1. Der Energie-Check (k-deficit): Er achtet darauf, wie viel „Turbulenz-Energie“ im Spiel ist. Wenn der Filzstift zu wenig Energie zeichnet, sagt dieser Schüler: „Hey, hier wirbelt es viel wilder, du musst mehr Energie auf den Plan bringen!“
2. Der Richtungs-Check (Anisotropie): Turbulenzen wirbeln nicht einfach nur; sie haben eine Richtung. Sie ziehen nach oben, zur Seite oder drehen sich. Der Filzstift ist hier zu stumpf. Dieser zweite Schüler ist wie ein feiner Pinsel, der die exakte Richtung und Form der Wirbel korrigiert.

Das Besondere: Das „Wissen über das Nichtwissen“ (Uncertainty Quantification)

Das ist der eigentliche Clou der Arbeit. Normalerweise sagen Computer: „Das Ergebnis ist 10.“ Aber was, wenn der Computer sich unsicher ist?

Die Forscher haben dem System beigebracht, ehrlich zu sein. Das System sagt nicht nur: „Die Geschwindigkeit ist 10“, sondern: „Ich schätze, sie ist 10 – aber ich bin mir nur zu 70 % sicher. Es könnte auch 8 oder 12 sein.“

Man kann sich das wie einen Wetterbericht vorstellen:

• Ein normaler Computer sagt: „Morgen regnet es.“ (Und wenn es nicht regnet, hat er versagt).
• Dieses neue System sagt: „Morgen regnet es wahrscheinlich, aber die Wolken sind sehr instabil, also sei vorsichtig – es könnte auch sonnig werden.“

Dieses „Wissen über die eigene Unsicherheit“ ist lebenswichtig für Ingenieure. Wenn der Computer sagt: „Ich korrigiere die Strömung, aber ich habe keine Ahnung, ob meine Korrektur stimmt“, dann weiß der Ingenieur: „Okay, ich muss diesen Teil lieber mit einem viel teureren und genaueren Programm nachprüfen.“

Wie haben sie das gemacht? (Die Methode)

Sie haben das System mit Daten aus extrem genauen (aber sehr teuren) Simulationen gefüttert. Dann haben sie das System getestet:

1. Zuerst an einem bekannten Hindernis (einem „Hügel“ in der Strömung). Da hat es super funktioniert.
2. Dann haben sie es mit einer völlig neuen Aufgabe konfrontiert (einer „Stufe“), die das System noch nie gesehen hatte.

Das Ergebnis: Das System konnte die neue Aufgabe zwar nicht perfekt lösen, aber – und das ist das Wichtige – es hat gemerkt, dass es unsicher war! Es hat die Fehler zwar gemacht, aber es hat dem Ingenieur gleichzeitig signalisiert: „Vorsicht, hier bin ich auf Neuland!“

Zusammenfassung für den Stammtisch

Die Forscher haben eine Methode entwickelt, um billige, schnelle Computer-Simulationen von Luftströmungen mit einer „intelligenten Korrektur“ aufzuwerten. Diese Korrektur nutzt künstliche Intelligenz, um die Fehler der Simulation zu beheben. Das Beste daran: Die KI gibt nicht nur eine Antwort, sondern sagt auch ehrlich: „Hier bin ich mir sicher, und hier rate ich nur ein bisschen.“ Das macht die Technik viel sicherer für den Bau von Flugzeugen und Autos.

Technische Zusammenfassung

Zusammenfassung: Bayesianische neuronale Netze zur Korrektur von RANS-Turbulenzmodellen mit Unsicherheitsquantifizierung in abgelösten Strömungen

1. Problemstellung

Die Vorhersage von abgelösten Strömungen (Separated Flows) stellt eine der größten Herausforderungen in der numerischen Aerodynamik dar. Industriestandardmäßige Reynolds-averaged Navier–Stokes (RANS)-Methoden, insbesondere lineare Wirbelviskositätsmodelle wie das $k$-$\omega$ SST-Modell, scheitern in diesen Regionen häufig. Dies liegt an der Annahme einer linearen Beziehung zwischen Reynolds-Spannungsanisotropie und der mittleren Dehnrate, welche die komplexe Physik in Scherschichten (Anisotropie, Nicht-Gleichgewicht, kohärente Strukturen) nicht erfassen kann.

Bisherige datengesteuerte Korrekturansätze (z. B. symbolische Regression oder deterministische neuronale Netze) bieten zwar Verbesserungen der Genauigkeit, leiden jedoch unter zwei Hauptproblemen:

1. Mangelnde Unsicherheitsquantifizierung (UQ): Es ist unklar, wie verlässlich die Korrekturen in unbekannten Strömungsregimen sind.
2. Globale Korrekturfehler: Die Anwendung globaler Korrekturen kann die Genauigkeit in bereits gut vorhersagbaren Bereichen (z. B. anliegende Grenzschichten) verschlechtern.

2. Methodik

Die Autoren präsentieren ein Framework, das Bayesianische Neuronale Netze (BNNs) nutzt, um zwei Arten von Diskrepanzen zu korrigieren: einen skalaren Term für die turbulente kinetische Energie ($k_{deficit}$) und einen tensoriellen Term für die Anisotropie ($b^\Delta_{ij}$).

Kernkomponenten der Methodik:

• Frozen-RANS Diskrepanzextraktion: Mittels eines "Frozen-RANS"-Verfahrens werden die Fehler zwischen hochauflösenden Daten (HF) und dem Basis-RANS-Modell isoliert, ohne numerische Diskretisierungseffekte zu vermischen.
• Zonale Korrektur (RITA-Klassifikator): Anstatt das gesamte Feld zu korrigieren, wird ein physikbasierter Klassifikator (Relative Importance Term Analysis) verwendet, um gezielt nur die abgelösten Scherschichten zu identifizieren und dort die Korrekturen anzuwenden.
• Invariante Merkmale & Tensor-Basis: Um physikalische Konsistenz (Galilei-Invarianz und Rotationsinvarianz) zu gewährleisten, werden die Korrekturen als Funktionen von invarianten Skalaren und einer Tensor-Basis (nach Pope) formuliert.
• Bayesianisches Framework: Die BNNs lernen nicht nur die Korrekturwerte, sondern auch eine heteroskedastische Unsicherheit (datenabhängiges Rauschen). Durch die Verwendung von Variational Inference und Monte-Carlo-Sampling (MC) wird die epistemische Unsicherheit (Modellunsicherheit aufgrund mangelnder Daten) explizit quantifiziert.
• Unsicherheitsfortpflanzung: Die stochastischen Korrekturfelder werden mittels eines "Frozen-Realization"-Monte-Carlo-Ansatzes durch den RANS-Solver propagiert, um die Unsicherheit auf die resultierenden Strömungsfelder zu übertragen.

3. Hauptergebnisse

Die Validierung erfolgte am "Periodic Hill"-Datensatz (Training/Test) und am "Curved Backward-Facing Step" (CBFS, Generalisierung).

• Skalare Korrektur ($k_{deficit}$): Diese korrigiert die turbulente kinetische Energie (TKE) sehr präzise und liefert gut kalibrierte Unsicherheitsintervalle. Sie hat jedoch einen vernachlässigbaren Einfluss auf das mittlere Geschwindigkeitsfeld ($U_x$).
• Anisotropie-Korrektur ($b^\Delta_{ij}$): Die Einbeziehung der tensoriellen Korrektur führt zu massiven Verbesserungen bei der Vorhersage der Geschwindigkeit, der Ablösung und der Rezirkulationszone. Die Kombination beider Korrekturen ermöglicht eine hochgenaue Rekonstruktion der Strömungsphysik.
• Generalisierung (CBFS): Bei der Anwendung auf die unbekannte CBFS-Geometrie bleibt die qualitative Verbesserung bestehen, allerdings sinkt die Genauigkeit und die Unsicherheit wird unterschätzt (Under-coverage). Dies verdeutlicht die Herausforderung der Extrapolation außerhalb der Trainingsverteilung (Out-of-Distribution).
• Unsicherheitsanalyse: Die Studie zeigt eine erfolgreiche Dekomposition der Unsicherheit in epistemische und aleatorische Komponenten auf. Die epistemische Unsicherheit ist räumlich dort konzentriert, wo die Strömung komplex ist oder die Datenlage dünn ist.

4. Signifikanz und Bedeutung

Die Arbeit leistet einen wesentlichen Beitrag zur unsicherheitsbewussten (uncertainty-aware) Turbulenzmodellierung.

Die wichtigsten Beiträge sind:

1. Physikalische Konsistenz: Durch die Verwendung von Tensor-Basen und invarianten Merkmalen bleibt das Modell physikalisch sinnvoll.
2. Selektive Korrektur: Der Einsatz des RITA-Klassifikators verhindert die Verschlechterung der RANS-Leistung in stabilen Grenzschichten.
3. Probabilistische Zuverlässigkeit: Das Framework liefert nicht nur eine "bessere" Vorhersage, sondern auch ein Maß für das Vertrauen in diese Vorhersage, was für ingenieurtechnische Entscheidungen (z. B. Sicherheitsmargen in der Luftfahrt) entscheidend ist.

Zusammenfassend bietet das Paper einen robusten Pfad, um datengesteuerte Korrekturen von RANS-Modellen von rein deterministischen "Black-Box"-Ansätzen hin zu physikalisch fundierten, probabilistischen Werkzeugen zu entwickeln.