Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

Dieser Artikel schlägt einen durch Residuen- und Realisierbarkeitsfilter modifizierten Framework für die Genexpressionprogrammierung vor, der physikalische Randbedingungen direkt in den CFD-Lösungszyklus integriert, um stabile und physikalisch konsistente Turbulenzschließungsmodelle für Nachlaufströmungen effizient zu identifizieren, wobei eine signifikante Reduktion der Rechenkosten und nicht realisierbarer Ergebnisse erreicht wird und gleichzeitig eine robuste Generalisierung über verschiedene Geometrien hinweg demonstriert wird.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, vorherzusagen, wie sich Rauch hinter einem Auto oder einem Boot verwirbelt. Dies ist ein Problem namens „Turbulenzmodellierung". Wissenschaftler nutzen komplexe Mathematik (Simulationen), um dies zu bewerkstelligen, doch die Standardmathematik, die sie verwenden, ist wie ein stumpfes Instrument – sie erfasst die Details oft falsch, insbesondere im chaotischen Nachlauf hinter einem Objekt.

Um dies zu beheben, haben die Forscher in diesem Papier Machine Learning eingesetzt, um eine neue, intelligentere mathematische Formel zu erfinden. Allerdings ist es schwierig, einer Maschine beizubringen, physikalische Formeln zu erfinden. Wenn man der Maschine freien Lauf lässt, erstellt sie oft Formeln, die auf dem Papier gut aussehen, aber dazu führen, dass die Computersimulation abstürzt, einfriert oder „Geister" produziert (Ergebnisse, die die Gesetze der Physik verletzen).

Hier ist, wie das Papier dieses Problem löst, einfach erklärt:

1. Das Problem: Der „wilde" Lerner

Stellen Sie sich den Machine-Learning-Prozess als einen Lehrer vor, der versucht, 256 Schüler (kandidaten Formeln) zu trainieren, ein Rätsel zu lösen.

• Der alte Weg (Baseline): Der Lehrer lässt jeden Schüler lange an dem Rätsel arbeiten (Tausende von Schritten). Wenn die Antwort eines Schülers dazu führt, dass das Klassenzimmer explodiert (der Computer abstürzt) oder wenn er eine Zahl aufschreibt, die physikalisch unmöglich ist (wie negative Energie), erfährt der Lehrer dies erst, nachdem der Schüler Stunden vergeudet hat. Dies ist unglaublich langsam und teuer.
• Das Problem: Viele dieser „schlechten" Formeln sind mathematisch instabil oder „nicht realisierbar" (sie brechen die Regeln der Realität), aber der Computer weiß dies nicht, bis es zu spät ist.

2. Die Lösung: Der „Drei-Stufen-Sicherheitscheck"

Die Autoren haben ein neues System namens RR-GEP entwickelt. Anstatt jeden Schüler bis zum Ende arbeiten zu lassen, installierten sie einen strengen Sicherheitskontrollpunkt mit drei Toren. Wenn ein Schüler ein Tor nicht besteht, wird er sofort rausgeworfen, was Zeit und Energie spart.

• Tor 1: Der „Explodiert es?"-Check (Residual-Check)
  Stellen Sie sich vor, ein Schüler löst ein mathematisches Problem. Wenn seine Zahlen wild springen oder riesig werden, stoppt der Lehrer ihn sofort. Dies fängt Formeln ein, die dazu führen, dass der Computer abstürzt.
• Tor 2: Der „Verbesserst du dich?"-Check (Konvergenz-Check)
  Wenn die Zahlen nicht explodieren, fragt der Lehrer: „Kommst du der Antwort näher?" Wenn der Schüler in einer Schleife feststeckt und keine Fortschritte macht, wird er nach Hause geschickt. Dies stoppt Formeln, die nur Zeit verschwenden, ohne etwas zu lösen.
• Tor 3: Der „Macht das Sinn?"-Check (Realisierbarkeits-Check)
  Dies ist das wichtigste neue Merkmal. Selbst wenn ein Schüler die Mathematik korrekt löst und nicht abstürzt, könnte seine Antwort in der realen Welt dennoch unmöglich sein.
  • Die Analogie: Stellen Sie sich vor, ein Schüler sagt: „Der Wind weht mit 100 Meilen pro Stunde, aber die Luft hat negatives Gewicht." Die Mathematik mag stimmen, aber die Physik ist falsch.
  • Die Forscher verwenden eine spezielle Karte (eine Baryzentrische Karte), um zu prüfen, ob die Antwort des Schülers innerhalb des „Dreiecks der Realität" liegt. Wenn die Antwort außerhalb dieses Dreiecks fällt, wird sie sofort abgelehnt. Dies stellt sicher, dass die neue Formel die fundamentalen Gesetze der Physik respektiert.

3. Die Ergebnisse: Schneller und intelligenter

Durch die Verwendung dieses Drei-Stufen-Filters erzielten die Forscher einige beeindruckende Ergebnisse:

• Geschwindigkeit: Sie verkürzten die Zeit, die zum Trainieren der KI benötigt wurde, um 42 %. Sie verschwenden keine Zeit mehr an Formeln, die zum Scheitern verurteilt waren.
• Qualität: Bei der alten Methode waren fast 60 % der endgültigen Formeln physikalisch unmöglich („nicht realisierbar"). Bei ihrer neuen Methode reduzierten sie dies auf weniger als 2 %.
• Leistung: Die Formeln, die sie fanden, waren nicht nur stabil; sie waren tatsächlich besser darin, den „Nachlauf" (die verwirbelte Luft/Wasser) hinter Objekten vorherzusagen. Sie sagten die Größe der verwirbelten Zone genauer voraus als die alten Standardmethoden.

4. Funktioniert es bei anderen Dingen?

Die Forscher trainierten die KI an einem einfachen zylindrischen Rohr (wie ein Rohr, das aus dem Wasser ragt). Dann testeten sie sie an völlig unterschiedlichen Formen:

• Ein rechteckiger Zylinder (wie ein Ziegelstein).
• Ein Tragflügel (der Flügel eines Flugzeugs).
• Eine U-Boot-Form (DARPA Suboff).

Obwohl die KI nur am runden Rohr trainiert wurde, sagte sie den Nachlauf für den Ziegelstein, den Flügel und das U-Boot erfolgreich voraus. Sie hat das Rohr nicht nur auswendig gelernt; sie lernte die zugrunde liegenden Regeln, wie Turbulenz funktioniert, und hielt diese Regeln in all diesen neuen Situationen „real" (physikalisch möglich).

Zusammenfassung

Das Papier stellt eine neue Art vor, Computern beizubringen, physikalische Formeln zu erfinden. Anstatt den Computer blind raten zu lassen und zu hoffen, dass er nicht abstürzt, haben sie drei „Leitplanken" aufgestellt. Diese Leitplanken verhindern, dass der Computer Zeit an schlechten Ideen verschwendet, und stellen sicher, dass jede endgültige Formel, die er erfindet, den Gesetzen der Physik gehorcht. Dies macht den Prozess schneller, günstiger und viel zuverlässiger für die Vorhersage, wie sich Flüssigkeiten um Objekte bewegen.

Technische Zusammenfassung

Technische Zusammenfassung: Realisierbarkeitsbeschränktes maschinelles Lernen für Turbulenzschließungen in Nachlaufströmungen

Problemstellung
Computational Fluid Dynamics (CFD)-gestützte Frameworks für maschinelles Lernen, insbesondere solche, die symbolische Regression mittels Gene Expression Programming (GEP) nutzen, bieten einen vielversprechenden Weg zur Entdeckung expliziter, physikalisch interpretierbarer Turbulenzmodelle. Diese Frameworks stoßen jedoch auf erhebliche Einschränkungen hinsichtlich numerischer Instabilität und physikalischer Zulässigkeit. Während des Trainingsprozesses werden tausende von Kandidaten-Schließungsmodellen sequenziell in Reynolds-gemittelte Navier-Stokes-Löser (RANS) eingebettet. Ein nicht zu vernachlässigender Anteil dieser Kandidaten führt zu Solver-Divergenz, Residuenstagnation oder unphysikalischem Wachstum von Turbulenzgrößen. Solche instabilen Verhaltensweisen werden oft erst nach tausenden von Iterationen erkannt, was zu erheblicher Verschwendung von Rechenressourcen führt. Darüber hinaus erzwingen bestehende Frameworks selten „Realisierbarkeit" – die Anforderung, dass modellierte Reynolds-Spannungen physikalisch zulässig bleiben (z. B. positive turbulente kinetische Energie, begrenzte Anisotropie) – während des Entdeckungsprozesses. Folglich können erlernte Schließungen fundamentale physikalische Einschränkungen verletzen, selbst wenn sie eine verbesserte Übereinstimmung der Mittelströmung mit Referenzdaten zu erreichen scheinen, was die Robustheit und Generalisierungsfähigkeit beeinträchtigt.

Methodik
Die Autoren schlagen ein residuen- und realisierbarkeitsgefiltertes CFD-gesteuertes Framework vor, das in ein GEP-Paradigma integriert ist. Dieser Ansatz führt eine mehrstufige Überwachungsschicht direkt in den CFD-Lösungsloop ein, um eine frühzeitige Identifizierung und Ablehnung instabiler und nicht realisierbarer Kandidatmodelle zu ermöglichen. Die Methodik besteht aus drei sequenziellen Filterstufen, die bei spezifischen Iterationszahlen ($N_1$ und $N_2$) angewendet werden, bevor eine vollständige Konvergenz ($N_3$) versucht wird:

1. Stufe 1 (Absolutes Residuum): Nach $N_1$ Iterationen werden Kandidaten verworfen, wenn das maximale normalisierte Residuum der governing equations einen vorgegebenen Schwellenwert ($\epsilon_1 \approx 10^{-1}$) überschreitet. Dies filtert Modelle heraus, die eine unmittelbare Divergenz verursachen.
2. Stufe 2 (Residuenreduktionsverhältnis): Kandidaten, die Stufe 1 bestehen, werden bei $N_2$ Iterationen bewertet. Sie werden verworfen, wenn das Residuenreduktionsverhältnis ($\Gamma$) zwischen $N_1$ und $N_2$ einen Mindestverbesserungsfaktor nicht erreicht oder wenn die Lösung stagniert. Dies stellt sicher, dass nur Modelle fortfahren, die einen konsistenten Abfall der Residuen zeigen.
3. Stufe 3 (Realisierbarkeitsdurchsetzung): Für Modelle, die die Residuenprüfungen bestehen, wird eine auf einer Baryzentrischen Karte basierende Einschränkung angewendet. Die Eigenwerte des normalisierten Anisotropietensors werden berechnet, und der resultierende Zustand wird auf ein baryzentrisches Dreieck abgebildet, das limitierende Turbulenzzustände (1C, 2C, 3C) darstellt. Kandidaten werden verworfen, wenn ihre baryzentrischen Gewichte Konvexitätsbeschränkungen verletzen, wobei eine kleine Toleranz ($\epsilon_3$) berücksichtigt wird, die skaliert mit dem effektiven Residuum, um unvollständige Konvergenz zu kompensieren.

Das Framework wurde an einem kanonischen kreiszylindrischen Nachlauf bei $Re=3900$ trainiert. Die Kostenfunktion minimierte die Diskrepanz zwischen RANS- und Large-Eddy-Simulation (LES)-Strömungsgeschwindigkeitsprofilen in Längsrichtung im Nachlauf, ohne explizite Strafterme für Stabilität oder Realisierbarkeit, da diese strikt durch die Filterstufen durchgesetzt wurden. Die resultierenden Modelle waren Explizite Algebraische Reynolds-Spannungsmodelle (EARSM), die spezifisch im Nachlaufbereich angewendet wurden, während die Boussinesq-Näherung anderswo beibehalten wurde.

Hauptbeiträge

• Entwicklung eines gefilterten GEP-Frameworks: Die Arbeit stellt einen neuartigen „Realisierbarkeits-Residuen-gefilterten GEP"-Algorithmus (RR-GEP) vor, der Stabilitäts- und Realisierbarkeitsprüfungen direkt in den evolutionären Loop integriert und ihn damit von „eingefrorenen" oder standardmäßigen CFD-gesteuerten Ansätzen unterscheidet.
• Effizienzsteigerung: Durch die frühzeitige Beendigung unproduktiver Kandidaten reduziert das Framework die Rechenkosten für die Modellentdeckung erheblich.
• Physikalische Zulässigkeit: Die Methode erzwingt explizit Realisierbarkeitsbeschränkungen während des Trainings und stellt sicher, dass entdeckte Modelle physikalisch konsistente Reynolds-Spannungszustände liefern.
• Generalisierungsvalidierung: Die Studie validiert die Robustheit der entdeckten Modelle über diverse Geometrien und Strömungsregime hinweg, einschließlich eines rechteckigen Zylinders, eines NACA-0012-Profils und eines rotationssymmetrischen DARPA-Suboff-Körpers, bei Reynolds-Zahlen im Bereich von $10^3$ bis $10^6$.

Ergebnisse

• Rechenleistung: Das RR-GEP-Framework erreichte eine Reduktion der Rechenkosten um 42,3 % im Vergleich zum Baseline-CFD-gesteuerten GEP (B-GEP). Die Ablehnungsrate der Modelle betrug im Durchschnitt 37,8 % für RR-GEP, wobei 47,3 % der Kandidaten allein in der ersten Generation verworfen wurden.
• Verbesserung der Realisierbarkeit: Die Filterstrategie reduzierte die Prävalenz nicht realisierbarer Modelle bei Konvergenz drastisch. Während 58,4 % der konvergierten Modelle im B-GEP-Framework nicht realisierbar waren, sank dieser Wert für das RR-GEP-Framework auf 1,7 %.
• Vorhersagegenauigkeit: Die RR-GEP-Modelle verbesserten die Nachlaufvorhersagen für den Trainingsfall (Zylinder) und reduzierten die Länge der Ablöseblase von $x/D \approx 4,5$ (Baseline-RANS) auf 2,25, was den LES-Daten nahe kommt. Die Modelle zeigten zudem eine verbesserte Vorhersage der Reynolds-Schubspannung und der turbulenten kinetischen Energie.
• Robustheit und Generalisierung: Die am kreiszylindrischen Nachlauf trainierten Modelle generalisierten erfolgreich auf nicht gesehene Geometrien (rechteckiger Zylinder, Profil, Suboff) und deutlich höhere Reynolds-Zahlen, ohne die Realisierbarkeit zu verlieren. Die Modelle behielten ein beschränktes Koeffizientenverhalten und physikalisch konsistente Anisotropietrajektorien über alle Testfälle hinweg bei.
• Modellcharakteristika: Der Filterprozess führte zu Modellen mit signifikant reduzierten und eng begrenzten skalaren Koeffizienten im Vergleich zur Baseline. Beispielsweise verringerte sich die durchschnittliche Größe des Koeffizienten $|\zeta_1|$ von $\approx 2,73$ (B-GEP) auf $\approx 1,76$ (RR-GEP), was eine Präferenz für einfachere, besser kontrollierte funktionale Formen anzeigt, die die Verstärkung unphysikalischer Spannungen vermeiden.

Bedeutung
Die Arbeit behauptet, dass die Integration von Realisierbarkeits- und Stabilitätsbeschränkungen direkt in das CFD-gesteuerte Lernen die effiziente Entdeckung von Turbulenzmodellen ermöglicht, die sowohl numerisch robust als auch physikalisch konsistent sind. Durch die frühzeitige Ausfilterung instabiler und nicht realisierbarer Kandidaten reduziert das Framework die Rechenbelastung der Modellentdeckung und lenkt die Suche gleichzeitig auf physikalisch zulässige Lösungen. Die Ergebnisse zeigen, dass dieser Ansatz einen skalierbaren Weg zur Entwicklung zuverlässiger datengesteuerter Schließungen bietet, die sich gut über diverse Strömungskonfigurationen und Betriebsbedingungen hinweg generalisieren lassen und damit eine kritische Lücke in aktuellen Bemühungen um turbulenzmodellierung auf Basis des maschinellen Lernens schließen.