Three-dimensional variational data assimilation of separated flows using time-averaged experimental data

Este artículo presenta un novedoso marco de asimilación de datos variacional tridimensional que integra datos experimentales de PIV planar con el modelo RANS de Spalart-Allmaras para separar eficazmente los errores de medición de las deficiencias del modelo de turbulencia, mejorando así significativamente las predicciones de flujo para flujos separados sobre un perfil alar NACA0012 en comparación con los métodos bidimensionales tradicionales.

Lo esencial

Imagina que estás intentando hornear el pastel perfecto, pero tu receta (el modelo de la computadora) sigue saliendo ligeramente mal. Además, tienes una foto de un pastel real (datos experimentales) que quieres igualar. El problema es que la foto está un poco borrosa, le faltan algunos ingredientes y fue tomada desde un ángulo extraño.

Este artículo trata sobre una nueva forma de arreglar la receta para que coincida mejor con el pastel real, incluso cuando la foto no es perfecta.

El Problema: La Foto "Plana" vs. la Realidad "Redonda"

Los científicos utilizan modelos computacionales para predecir cómo se mueve el aire sobre las alas de los aviones. Estos modelos son como recetas. A veces, la receta está un poco errada, especialmente cuando el ala está en una "entrada en pérdida profunda" (una situación en la que el ala deja de funcionar bien, como cuando un avión entra en pérdida en el cielo).

Para arreglar la receta, los científicos utilizan una técnica llamada Asimilación de Datos. Toman mediciones del mundo real (como una foto del flujo de aire) y obligan al modelo de la computadora a coincidir con ella.

Sin embargo, hay un inconveniente. Las mediciones del mundo real provienen de una técnica llamada PIV (Velocimetría de Imagen de Partículas), que toma una "rebanada" 2D o una foto plana del aire. Pero el aire que se mueve alrededor de un ala es en realidad 3D (se mueve arriba, abajo, izquierda, derecha, y también hacia adentro y afuera de la foto).

El artículo argumenta que los métodos anteriores intentaban forzar esta foto plana y 2D para que encajara en una realidad 3D. Esto es como intentar meter una naranja redonda en un agujero cuadrado; tienes que apretarla y distorsionarla para que encaje.

La Forma Antigua: La "Naranja Aplastada" (Asimilación 2D)

En el método antiguo (llamado 2DVar), los científicos tomaban la foto plana y obligaban al modelo de la computadora a obedecer las reglas de un mundo 2D.

• La Analogía: Imagina que el modelo de la computadora es un estudiante tratando de resolver un problema matemático. El profesor (los datos reales) le da una respuesta borrosa y ligeramente incorrecta. El estudiante intenta cambiar su propia respuesta para que coincida con la del profesor.
• El Error: Debido a que la respuesta del profesor fue tomada de una foto plana de un mundo 3D, esta tiene "errores" (no se equilibra perfectamente). El estudiante, al intentar coincidir con esto, comienza a cambiar sus matemáticas de formas extrañas. Le echa la culpa a su propio mal cálculo por la foto borrosa del profesor.
• El Resultado: La "corrección" que el estudiante realiza es enorme y desordenada. Corrige los errores matemáticos y también intenta corregir el hecho de que la foto era plana. No se puede distinguir qué parte de la corrección estaba arreglando el modelo y qué parte era solo para intentar arreglar la mala foto.

La Nueva Forma: Los "Lentes 3D" (Asimilación 3D)

Los autores de este artículo inventaron un nuevo método (llamado 3DVar). En lugar de forzar al aire a permanecer plano, permiten que el modelo de la computadora respire en la tercera dimensión (la profundidad), aunque la foto solo muestre una rebanada plana.

• La Analogía: Ahora, el estudiante lleva lentes 3D. Sabe que la foto del profesor es solo una rebanada de un objeto 3D. Cuando la foto parece "desequilibrada" (divergente), el estudiante se da cuenta: "¡Ah, el aire debe estar moviéndose hacia adentro o hacia afuera de la foto para que esto se equilibre!".
• El Arreglo: El modelo de la computadora permite que el aire se mueva en esa tercera dirección. Esto corrige naturalmente las partes "desequilibradas" de la foto sin necesidad de forzar que las matemáticas se rompan.
• El Resultado: La "corrección" que el estudiante realiza es ahora mucho más pequeña y limpia. Solo corrige los errores reales en la receta (el modelo de turbulencia), no los defectos de la foto.

Lo Que Encontraron

Probaron esto en un perfil alar NACA0012 (una forma de ala específica) a alta velocidad, donde el aire se separa y se arremolina de forma caótica.

1. La Forma Antigua (2D): La computadora tuvo que realizar cambios masivos y confusos en las ecuaciones de física para coincidir con la foto plana. No podía distinguir si estaba arreglando el modelo o simplemente compensando la falta de datos 3D.
2. La Nueva Forma (3D): La computadora realizó ajustes más pequeños y más inteligentes. Dejó que el aire fluyera naturalmente en 3D para equilibrar las ecuaciones.
3. El Resultado: El nuevo método predijo la sustentación (cuánta fuerza hacia arriba ejerce el ala) y la presión sobre el ala con mucha más precisión. También dio una mejor imagen de la "turbulencia" (el caos de remolinos) porque el modelo no estaba siendo forzado a hacer cosas imposibles solo para coincidir con una foto plana.

La Conclusión

Piénsalo de esta manera: Si intentas describir una escultura 3D usando solo una sombra 2D, te confundirás. Si fuerzas a un dibujo 2D para que se vea como esa sombra, tendrás que distorsionar el dibujo hasta que no se parezca en nada a la escultura real.

Este artículo demuestra que si dejas que tu dibujo tenga profundidad (3D), incluso si solo tienes una sombra 2D para mirar, puedes reconstruir la escultura real con mucha más precisión. El modelo de la computadora deja de luchar contra los datos y comienza a entender realmente la física del flujo.

Resumen técnico

Resumen Técnico: Asimilación de datos variacional tridimensional de flujos separados utilizando datos experimentales promediados en el tiempo

Planteamiento del Problema
El artículo aborda las limitaciones de la aplicación de la asimilación de datos (DA) variacional a flujos separados complejos utilizando datos de Velocimetría de Imágenes de Partículas (PIV) plana. Aunque la PIV proporciona campos de velocidad de dos componentes y promediados en el tiempo muy valiosos, carece inherentemente de la componente de velocidad fuera del plano. En los flujos separados, como el desprendimiento profundo sobre un perfil alar, el flujo es inherentemente tridimensional (3D). Los enfoques tradicionales de DA suelen imponer restricciones de continuidad bidimensionales (2D) a estos datos 2D. Los autores argumentan que esta confusión conduce a una interpretación errónea del término de forzamiento correctivo utilizado en las ecuaciones de cantidad de movimiento. Específicamente, cuando se aplican restricciones 2D a datos experimentales que no son libres de divergencia, el término de forzamiento correctivo compensa no solo las deficiencias del modelo de turbulencia de Reynolds-Averaged Navier–Stokes (RANS), sino también la falta de la tercera componente de velocidad y el ruido experimental. Esto dificulta el aislamiento de los errores de modelado físico de las inconsistencias de la medición y obstaculiza la reconstrucción precisa de estadísticas de segundo orden como el esfuerzo cortante de Reynolds.

Metodología
El estudio emplea un marco de asimilación de datos variacional utilizando un método de adjunto discreto implementado mediante el solver DAFoam. El núcleo de la metodología consiste en optimizar un término de forzamiento correctivo ($f_{ci}$) añadido a las ecuaciones de cantidad de movimiento para minimizar la discrepancia entre una simulación RANS (usando el modelo de turbulencia Spalart–Allmaras) y los datos de referencia.

El artículo compara dos configuraciones distintas:

1. 2DVar (Asimilación Bidimensional): Las ecuaciones gobernantes y las restricciones de continuidad se imponen estrictamente en dos dimensiones (dirección de la corriente y normal a la pared). El dominio en la dirección de la envergadura se trata como una única capa de celdas ($N_z=1$), forzando efectivamente el flujo a ser 2D.
2. 3DVar (Asimilación Tridimensional): Los autores proponen un enfoque novedoso donde las ecuaciones gobernantes y las restricciones incorporan todas las tres dimensiones espaciales. El dominio computacional se extiende en la dirección de la envergadura con resolución suficiente ($N_z > 1$) para permitir el desarrollo de una componente de velocidad fuera del plano. Crucialmente, los datos de referencia siguen siendo 2D2C (dos componentes, dos dimensiones), proyectados sobre la rejilla 3D.

La función objetivo minimiza la norma $L_1$ de la discrepancia de velocidad entre la simulación y la referencia (tanto sintética como experimental). La optimización se realiza mediante Programación Cuadrática Secuencial (SQP) con gradientes computados mediante el enfoque de adjunto discreto.

Contribuciones Clave

• Marco de Asimilación de Datos 3D Novedoso: El artículo introduce un método de DA variacional 3D que impone restricciones de continuidad 3D mientras asimila datos experimentales 2D2C.
• Desacoplamiento de Errores: El estudio demuestra que las restricciones 3D permiten que el término de forzamiento correctivo aborde primordialmente los errores de la configuración experimental (por ejemplo, la divergencia debida a la falta de datos 3D o al ruido), mientras que el modelo de turbulencia queda libre para capturar la física subyacente del flujo de manera más precisa.
• Reconstrucción de Cantidades No Medidas: Se demuestra que el método reconstruye con éxito cantidades físicas no medidas directamente, como los campos de presión y las fuerzas de sustentación, así como cantidades de modelado como el esfuerzo cortante de Reynolds y la viscosidad turbulenta.

Resultados
La metodología se probó en un perfil NACA0012 en pérdida profunda ($\alpha = 15^\circ$, $Re_c \approx 7.5 \times 10^4$) utilizando tanto datos sintéticos (que satisfacen la continuidad 2D) como datos experimentales de PIV (que violan la continuidad 2D).

• Datos Sintéticos: En el caso 2DVar con datos sintéticos libres de divergencia, el forzamiento correctivo fue pequeño en comparación con el forzamiento de Reynolds, lo que indica que el modelo base puede capturar la física con ajustes menores.
• Datos Experimentales (2DVar): Al aplicarse a datos experimentales, el enfoque 2DVar requirió un término de forzamiento correctivo de gran magnitud. La magnitud de este forzamiento fue comparable al forzamiento de Reynolds, lo que sugiere que estaba compensando la naturaleza 3D del flujo y los errores de divergencia en lugar de solo las deficiencias del modelo de turbulencia. Esto condujo a una representación inexacta de la física del flujo.
• Datos Experimentales (3DVar): El enfoque 3DVar desarrolló con éxito una componente de velocidad en la dirección de la envergadura para satisfacer la continuidad 3D. En consecuencia, la magnitud del término de forzamiento correctivo disminuyó significativamente, volviéndose más comparable al forzamiento de Reynolds. Esto indica que las restricciones 3D permitieron que el modelo de turbulencia funcionara correctamente, con el término de forzamiento gestionando los artefactos experimentales.
• Cantidades Reconstruidas: El enfoque 3DVar produjo resultados superiores para las variables reconstruidas. La distribución del coeficiente de presión ($C_p$) y el coeficiente de sustentación ($C_L$) mostraron una mejor concordancia con las mediciones experimentales en comparación con 2DVar. Además, el esfuerzo cortante de Reynolds y los campos de viscosidad turbulenta reconstruidos en 3DVar se alinearon más estrechamente con las observaciones experimentales, mostrando un transporte de cantidad de movimiento y efectos de turbulencia mejorados en la estela.

Significancia y Afirmaciones
El artículo afirma que imponer la continuidad 2D en flujos separados inherentemente 3D durante la asimilación de datos distorsiona el equilibrio de las ecuaciones de cantidad de movimiento, obligando al término correctivo a absorber errores que deberían atribuirse a la naturaleza 3D del flujo. Al implementar restricciones 3D, los autores demuestran que el modelo RANS base (Spalart–Allmaras) es capaz de capturar la física compleja del flujo separado con mayor precisión de lo que se suponía anteriormente cuando el marco de asimilación de datos es físicamente consistente.

El estudio concluye que el 3DVar es superior al 2DVar para la asimilación de datos de PIV plana de flujos separados. Resuelve la ambigüedad en la interpretación del término de forzamiento correctivo, permitiendo a los investigadores distinguir entre las deficiencias del modelo de turbulencia y las inconsistencias experimentales. Este enfoque mejora la precisión tanto de las velocidades medias directamente asimiladas como de las cantidades reconstruidas, tales como la sustentación y los esfuerzos de Reynolds, sin modificar la forma funcional del modelo de turbulencia. Los autores señalan que, aunque su implementación utilizó datos 2D2C, el marco está diseñado para manejar las complejidades de los flujos separados prácticos de alto número de Reynolds.