Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

Diese Arbeit präsentiert einen praktischen Workflow, der ein auf experimentellen Rheometriedaten trainiertes neuronales Netzwerk als Viskositätsabschlus innerhalb eines Cahn–Hilliard–Navier–Stokes–Finite-Elemente-Solvers integriert und den Ansatz erfolgreich validiert, indem die Aufstiegsdynamik und die Formen nicht-newtonscher Silikontinten ohne Modifikationen am Solver präzise simuliert werden.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen zu simulieren, wie sich ein Tropfen dicker, zäher Tinte durch ein Flüssigkeitsbad bewegt. In der realen Welt verhält sich diese Tinte nicht wie Wasser; sie ist „nicht-newtonsch“. Das bedeutet, ihre Zähflüssigkeit (Viskosität) ändert sich, je nachdem, wie schnell man sie rührt oder drückt. Wenn man fest drückt, kann sie dünnflüssiger werden (wie Ketchup) oder dicker (wie Stärke und Wasser).

Traditionell müssen Informatiker, die dies simulieren wollen, eine spezifische mathematische Formel erraten (wie etwa die „Carreau–Yasuda“-Gleichung), um zu beschreiben, wie sich die Tinte verhält. Aber wenn Sie eine neue Tinte erfinden, müssen Sie stoppen, eine neue Formel herleiten und den Computercode jedes Mal neu schreiben. Es ist, als würde man versuchen, ein Auto zu fahren, bei dem man jedes Mal den Motor manuell umbauen muss, wenn man die Kraftstoffart ändert.

Dieses Paper präsentiert einen klügeren, flexibleren Weg hierfür unter Verwendung von Künstlicher Intelligenz (KI).

Der „schlaue Ersatz“ (Das Neuronale Netz)

Anstatt den Computer zu zwingen, eine starre mathematische Formel zu verwenden, haben die Forscher ein „neuronales Netz“ (eine Art KI-Gehirn) trainiert, das als schlaue Ersatzvertretung für das Verhalten der Tinte fungiert.

1. Lernen aus Erfahrung: Sie nahmen Realdaten von einer Maschine, die maß, wie ihre spezifischen Silikontinten auf unterschiedliche Rührgeschwindigkeiten reagierten.
2. Das Training: Sie brachten der KI bei, die Geschwindigkeit des Rührens zu betrachten und exakt vorherzusagen, wie dickflüssig die Tinte in diesem Moment wäre.
3. Die „Glätte“-Regel: Um sicherzustellen, dass die KI nicht verwirrt wird oder unvorhersehbare, unrealistische Vorhersagen trifft (wie etwa die Vorhersage, dass die Tinte augenblicklich zu einem festen Felsen wird), fügten sie eine Regel namens „Lipschitz-Regularisierung“ hinzu. Betrachten Sie dies als ein Tempolimit für das Lernen der KI. Es zwingt die KI dazu, glatte, graduelle Vorhersagen zu treffen, anstatt zackige, erratische.

Der „Universalübersetzer“ (ONNX)

Normalerweise muss man, wenn man eine KI trainiert, seine Physik-Simulationssoftware neu schreiben, damit sie diese spezifische KI versteht. Das ist langsam und fehleranfällig.

Die Forscher verwendeten ein Format namens ONNX (Open Neural Network Exchange). Stellen Sie sich dies als einen Universalübersetzer oder einen Standard-USB-Stick vor. Sie speicherten ihre trainierte KI in diesem Format. Nun kann die Physik-Simulationssoftware die KI einfach „einstecken“ und fragen: „Hey, wie hoch ist die Viskosität bei dieser Geschwindigkeit?“, ohne dass sie umgeschrieben werden muss. Die KI erledigt die schwere Arbeit, und die Simulationssoftware hört einfach nur zu.

Die Testfahrt: Die aufsteigende Blase

Um zu beweisen, dass dieses System funktioniert, führten sie zwei Arten von Tests durch:

1. Der „Lehrbuch“-Test: Sie simulierten eine Blase, die in einer Flüssigkeit aufsteigt, für die sie bereits die exakte mathematische Formel kannten. Sie verglichen ihre KI-gesteuerte Simulation mit der bekannten Mathematik.

   • Ergebnis: Die KI entsprach perfekt der Mathematik. Es bewies, dass das „Plug-and-Play“-System funktioniert.

2. Der „Reale Welt“-Test: Sie erstellten im Labor zwei tatsächliche Silikontinten-Mischungen. Sie filmten diese Tintentröpfchen, wie sie durch eine spezielle Flüssigkeit (Perfluordecalin) aufstiegen, mit einer Hochgeschwindigkeitskamera.

   • Sie speisten die echten Labordaten in ihre KI ein.
   • Sie ließen die Tropfen am Computer aufsteigen.
   • Ergebnis: Die Computersimulation sagte die Geschwindigkeit und die Form der aufsteigenden Tropfen fast exakt so voraus, wie sie in dem realen Video erschienen. Die simulierten Tropfen sahen wie die echten Tropfen aus und stiegen mit der gleichen Geschwindigkeit auf.

Warum das wichtig ist (laut dem Paper)

Das Paper behauptet, dass dies ein praktischer Weg nach vorne für die additive Fertigung (wie den 3D-Druck) ist. Beim Drucken mit komplexen Materialien (wie den Tinten, die beim Digital Light Processing oder Direct Ink Writing verwendet werden), ist das Verhalten des Materials schwer vorhersehbar.

Dieser neue Workflow ermöglicht es Ingenieuren:

• Echte Labordaten eines neuen Materials zu nehmen.
• Ein kleines KI-Modell darauf zu trainieren.
• Dieses Modell direkt in eine Simulation einzustecken, um zu sehen, wie das Material während des Druckens fließen wird.

Kurz gesagt: Sie haben ein System gebaut, bei dem man kein Mathematiker sein muss, um das Verhalten einer Flüssigkeit zu beschreiben. Man misst sie einfach, trainiert eine kleine KI und überlässt den Rest dem Computer, während die Simulation gleichzeitig reibungslos und präzise läuft.

Technische Zusammenfassung

Technische Zusammenfassung: Neuronale Netzwerk-basierte Viskositätsabschlussschließung für nicht-newtonsche Mehrphasenströmungen

Problemstellung
Materialien, die in der polymerbasierten additiven Fertigung verwendet werden, wie etwa Digital Light Processing (DLP) oder Direct Ink Writing (DIW), weisen typischerweise eine komplexe nicht-newtonsche Rheologie auf. Während Standard-Konstitutivmodelle wie Carreau–Yasuda- und Potenzgesetz-Formulierungen grundlegende scherverdünnende oder scherverdickende Verhaltensweisen effektiv beschreiben, besitzen sie erhebliche Einschränkungen. Ihre festen, niedrigdimensionalen Funktionsformen erfordern von Forschern, neue Gleichungen abzuleiten und diese für jedes neue Materialsystem oder jedes neue rheologische Verhalten (z. B. Viskoelastizität, Thixotropie) innerhalb der Strömungsrechner neu zu implementieren. Darüber hinaus garantieren empirische Anpassungen nicht immer eine physikalische Glaubwürdigkeit, und datengestützte Surrogatmodelle erfordern oft eine sorgfältige Regularisierung, um nicht-physikalische Oszillationen bei der Integration in High-Fidelity-Solver zu vermeiden. Es mangelt an etablierten Workflows, die experimentell trainierte konstitutive Surrogate direkt in Mehrphasen-Strömungsrechnern ohne Modifikation des Solvers einsetzen.

Methodik
Die Autoren präsentieren einen Deployment-Workflow, der ein neuronales Netzwerk (NN), das auf experimentellen Rheometriedaten trainiert wurde, als Viskositätsabschluss in einen Cahn–Hilliard–Navier–Stokes (CHNS) Finite-Elemente-Solver integriert. Die Methodik umfasst drei Kernkomponenten:

1. Neuronale Netzwerkformulierung und Training:

   • Ein vollvernetztes Feedforward-Neuronales-Netzwerk wird trainiert, um die lokale Scherrate ($\dot{\gamma}$) auf die Viskosität ($\eta$) abzubilden.
   • Um sicherzustellen, dass die gelernte Funktion für die Verwendung als konstitutiver Abschluss geeignet ist, wird während des Trainings eine Lipschitz-Regularisierung angewendet. Dies fügt dem Verlustterm einen Strafterm auf den Eingangsgradienten hinzu, der die Ableitung des Netzwerkausgangs begrenzt. Dies verhindert, dass das Netzwerk Rauschen mit hochgradig oszillierenden Funktionen überanpasst, und gewährleistet glatte, physikalisch plausible Vorhersagen, insbesondere bei der Extrapolation außerhalb des Trainings-Scherratenbereichs.
   • Die Netzwerkarchitektur besteht aus zwei verborgenen Schichten mit jeweils 64 Neuronen unter Verwendung von Hyperbeltangens-Aktivierungsfunktionen (Tanh). Das Training erfolgt im Log-Log-Raum, um Daten zu verarbeiten, die über mehrere Größenordnungen reichen.

2. Solver-Integration via ONNX:

   • Das trainierte Netzwerk wird in das Open Neural Network Exchange (ONNX)-Format exportiert.
   • Der CHNS-Solver fragt das Netzwerk zur Laufzeit in jeder Iteration über die ONNX-Runtime ab. Der Solver übergibt die lokale Scherrate an das Modell und erhält die entsprechende Viskosität zurück.
   • Dieser Ansatz ermöglicht die Integration neuronaler konstitutiver Modelle in bestehende Mehrphasen-Strömungsrahmenwerke, ohne den Solver-Code modifizieren oder die Netzwerkarchitektur innerhalb der C++/Fortran-Solver-Umgebung neu implementieren zu müssen.

3. Numerisches Framework:

   • Der Solver nutzt eine blockiterative Zeitschrittstrategie, bei der zuerst die Cahn–Hilliard-Gleichungen und anschließend die Navier–Stokes-Gleichungen gelöst werden.
   • Das Framework verwendet eine parallele, Octree-basierte Adaptive Mesh Refinement (AMR)-Infrastruktur, um die Auflösung an der Fluidgrenzfläche zu konzentrieren und so steile Gradienten in den Phasengrenzen effizient aufzulösen.

Zentrale Beiträge

• Deployment-Workflow: Die Arbeit etabliert einen praktischen Weg für den Einsatz experimentell trainierter rheologischer Surrogatmodelle in Finite-Elemente-Solvern mittels ONNX, wodurch die Notwendigkeit einer Modifikation des Solvers entfällt.
• Lipschitz-Regularisierung: Die Anwendung der Lipschitz-Regularisierung während des Trainings wird als kritischer Mechanismus zur Erzeugung glatter Viskositätsprognosen dargestellt, die für konstitutive Abschlüsse geeignet sind, und adressiert das Risiko nicht-physikalischer Oszillationen in datengestützten Modellen.
• Validierung an synthetischen und realen Daten: Der Workflow wird sowohl gegen synthetische Benchmarks (analytische Carreau–Yasuda-Gesetze) als auch gegen reale experimentelle Daten (Silikon-Tintenformulierungen) validiert, was die Robustheit gegenüber monotonen und nicht-monotonen konstitutiven Verhaltensweisen demonstriert.

Ergebnisse
Die Studie validiert das Framework durch zwei primäre Versuchsreihen:

1. Benchmark-Validierung (Synthetische Daten):

   • Der Solver wurde gegen Benchmark-Blasenaufstiegsfälle in scherverdünnenden Fluiden (Pang und Lu [26]) mit variierenden Potenzgesetz-Indizes und Weber-Zahlen getestet.
   • Simulationen mit dem neuronalen Abschluss (trainiert auf synthetischen Carreau–Yasuda-Daten) erzeugten Blasenformen und Aufstiegsgeschwindigkeiten, die visuell ununterscheidbar von denen unter Verwendung des analytischen Carreau–Yasuda-Abschlusses waren.
   • Die Ergebnisse des neuronalen Netzwerks stimmten zudem mit den Referenzwerten der Literatur überein, was die Konsistenz des Solvers und die Treue der neuronalen Pipeline bestätigt.
   • Ein synthetisches nicht-monotones konstitutives Gesetz (Scherverdünnung gefolgt von Scherverdickung) wurde erfolgreich modelliert, wobei das neuronale Netzwerk die analytischen Ergebnisse ohne Architekturänderungen reproduzierte.

2. Experimentelle Validierung (Reale Daten):

   • Zwei Silikon-Tintenformulierungen (Material A und B mit variierendem Fumed-Silica-Gehalt) wurden mittels Rheometrie charakterisiert.
   • Die Dynamik des Tropfenaufstiegs wurde mittels Hochgeschwindigkeitsvideo in einem Perfluordecalin-Bad aufgezeichnet.
   • Die neuronalen Netzwerke wurden mit den experimentellen Rheometerdaten trainiert und zur Simulation des Aufstiegs dieser Tropfen verwendet.
   • Formübereinstimmung: Die simulierten stationären Tropfenformen stimmten mit den experimentellen Beobachtungen überein. Die Hausdorff-Distanzen lagen zwischen 0,044 und 0,079, und die Chamfer-Distanzen zwischen 0,040 und 0,062 (normalisiert auf die durchschnittliche Tropfengröße), was auf Abweichungen von etwa 4–8 % der Tropfengröße hindeutet.
   • Geschwindigkeitsübereinstimmung: Die simulierten Aufstiegsgeschwindigkeiten lagen für alle vier unabhängigen Fälle (zwei Materialien, zwei Nadelkaliber) innerhalb der experimentell gemessenen Streuung.
   • Rechenaufwand: Die Inferenzkosten des neuronalen Netzwerks waren vernachlässigbar im Vergleich zu den linearen Algebra-Kosten der Navier–Stokes- und Cahn–Hilliard-Lösungen.

Bedeutung
Die Arbeit beansprucht, zur wachsenden Literatur über die Integration neuronaler konstitutiver Abschlüsse in Multiphysik-Simulationen beizutragen. Sie demonstriert eine praktische, solver-agnostische Methode zum Ersatz traditioneller parametrischer konstitutiver Gesetze durch datengestützte Surrogatmodelle, die auf experimentellen Messungen basieren. Durch die erfolgreiche Reproduktion komplexer Aufstiegsdynamiken und Tropfenformen für reale Materialien, ohne dass neue analytische Herleitungen oder Solver-Umschreibungen erforderlich sind, bietet die Arbeit einen praktikablen Weg zur Simulation nicht-newtonscher Mehrphasenströmungen in der additiven Fertigung und anderen Anwendungen, bei denen die Materialrheologie komplex oder mit Standard-Funktionsformen schwer zu erfassen ist. Die Autoren betonen, dass die Lipschitz-Regularisierung entscheidend ist, um die Stabilität und physikalische Plausibilität dieser datengestützten Abschlüsse innerhalb des Solvers zu gewährleisten.