Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

Este artículo presenta un marco de aprendizaje automático que infiere modelos reológicos no newtonianos precisos y dependientes de la concentración a partir de simulaciones del método de elementos discretos, permitiendo una modelización de hielo marino lagrangiana a gran escala eficiente y precisa que captura comportamientos complejos como el adelgazamiento por cizallamiento y el espesamiento por cizallamiento a través de diversas concentraciones de hielo.

Lo esencial

Imagina el Océano Ártico como un gigantesco rompecabezas congelado hecho de millones de trozos de hielo individuales, o "bloques". Estos trozos derivan, chocan entre sí, se rozan unos con otros y, a veces, se amontonan formando crestas. Durante décadas, los científicos han intentado predecir cómo se mueve este gigantesco rompecabezas utilizando modelos informáticos.

La forma antigua: Una suposición aproximada
Tradicionalmente, los científicos trataban el hielo marino como un fluido espeso y pegajoso (como la miel o la pintura). Utilizaban una receta de hace 50 años para adivinar qué tan "espeso" o "pegajoso" sería el hielo bajo presión. Esta receta funciona bien cuando el hielo está muy apretado en el centro del océano, pero falla cuando el hielo es más delgado o está cerca de los bordes. Es como intentar predecir cómo se mueve una multitud de personas asumiendo que todos son un único bloque sólido de arcilla; ignora el hecho de que las personas chocan, se deslizan y se empujan individualmente.

La nueva forma: Aprendiendo de las "partículas"
Los autores de este artículo querían una mejor receta. Comenzaron con una simulación informática superdetallada llamada "Método de Elementos Discretos" (DEM). Piensa en esto como un videojuego de alta gama donde cada trozo de hielo es un personaje separado con su propia física. Calcula cada colisión y punto de fricción. Esto es increíblemente preciso, pero es tan pesado computacionalmente que es imposible ejecutarlo para todos los océanos del mundo.

Así que el equipo se preguntó: ¿Podemos enseñar a un modelo más simple a actuar como este juego superdetallado?

La solución: Un fluido "inteligente"
Construyeron un nuevo modelo que trata el hielo como un fluido nuevamente, pero en lugar de usar una receta fija y antigua para determinar qué tan "espeso" es, utilizaron Inteligencia Artificial (IA) para aprender la receta sobre la marcha.

Así es como lo hicieron, usando una analogía simple:

1. El Maestro: El "videojuego" superdetallado (DEM) actúa como el maestro. Ejecuta simulaciones y muestra el resultado de la velocidad y dirección del hielo.
2. El Estudiante: El nuevo y más simple modelo de fluido actúa como el estudiante. Tiene un "cerebro" (una red neuronal) que adivina qué tan espeso es el hielo en cualquier momento dado.
3. La Lección: El estudiante intenta imitar los resultados del maestro. Si la predicción del estudiante sobre la velocidad del hielo es incorrecta, el cerebro de la IA ajusta sus configuraciones internas para acercarse a la respuesta del maestro.
4. El Libro de Reglas: Crucialmente, no dejaron que la IA adivinara cualquier cosa. Obligaron a la IA a seguir las leyes de la física (como la conservación de la energía y la simetría) para que los resultados tengan sentido en el mundo real.

Lo que descubrieron
Al dejar que la IA aprendiera de la simulación detallada, encontraron algunas cosas sorprendentes sobre el hielo marino:

• No es solo pegajoso; es inteligente: El hielo no se comporta de la misma manera todo el tiempo.
  • Cuando el hielo está moderadamente compactado, actúa como un fluido de espesamiento por cizallamiento (como el almidón de maíz y el agua). Si lo empujas más rápido, se vuelve más duro y resistente, casi como si se estuviera convirtiendo en roca sólida.
  • Cuando el hielo está muy apretado, actúa como un fluido de adelgazamiento por cizallamiento (como el kétchup). Si lo empujas más rápido, en realidad fluye más fácilmente.
• Cambios diminutos, efectos enormes: Un pequeño cambio en cuánto del océano está cubierto por hielo (solo un 5% más o menos) puede cambiar la "viscosidad" del hielo (su espesor) miles de veces. Es como un interruptor que pasa de "líquido" a "sólido" con el más mínimo ajuste.
• Funciona en todas partes: Aunque solo enseñaron a la IA con corrientes de viento y agua simples y en línea recta, el modelo pudo predecir con éxito cómo se movería el hielo en patrones climáticos complejos, giratorios o cambiantes. Incluso funcionó cuando lo probaron en un mapa 2D, no solo en una línea recta.

Por qué esto es importante
El artículo concluye que este método es un gran paso adelante. En lugar de adivinar cómo se comporta el hielo con fórmulas viejas e imperfectas, ahora podemos "aprender" las reglas directamente de datos de alta fidelidad. Esto permite a los científicos crear modelos que sean lo suficientemente rápidos para ejecutarse a escala global y lo suficientemente precisos como para capturar la compleja y accidentada realidad de cómo interactúan realmente los bloques de hielo.

En resumen, le enseñaron a un modelo de fluido simple a "pensar" como una multitud compleja de trozos de hielo, lo que resultó en una forma mucho más precisa de predecir cómo se moverán nuestros océanos congelados.

Resumen técnico

Resumen Técnico: Modelos de Fluidos Viscosos No Newtonianos con Reología Aprendida para el Hielo Marino

Planteamiento del Problema
La predicción precisa de la dinámica del hielo marino es crítica para la modelización climática y la seguridad costera, sin embargo, los modelos de continuo existentes enfrentan limitaciones significativas. El enfoque estándar, el modelo viscoso-plástico de Hibler (basado en el trabajo de AIDJEX de hace 50 años), funciona moderadamente bien para el hielo compacto en el centro de la capa de hielo, pero pierde precisión predictiva en la zona de hielo marginal. En estas regiones, las concentraciones de hielo más bajas provocan efectos granulares —como colisiones, contacto friccional y formación de crestas (ridging)— que el modelo de Hibler no captura. Por el contrario, los Métodos de Elementos Discretos (DEM), que resuelven cada placa de hielo y sus interacciones, ofrecen una alta fidelidad pero son computacionalmente prohibitivos para simulaciones a gran escala. Además, los enfoques basados en datos utilizando aprendizaje automático científico (sciML) han surgido para parametrizar la reología, pero muchos dependen de formas funcionales predefinidas o de datos de esfuerzo-deformación que pueden ser ruidosos o no estar disponibles a partir de observaciones. Por otra vez, el trabajo existente suele dirigirse a fluidos donde se espera que los modelos de viscosidad no lineal estándar sean suficientes, mientras que la estructura reológica de los datos de hielo marino de DEM complejos no está claramente definida.

Metodología
Los autores proponen un marco para inferir un modelo de fluido viscoso no newtoniano de continuo que reproduzca los campos de velocidad computados por un DEM (específicamente el modelo SubZero). La metodología central involucra los siguientes pasos:

1. Generación de Datos: Los autores generan datos de entrenamiento utilizando el DEM SubZero, que simula placas de hielo poligonales irregulares que interactúan mediante colisiones y fricción. Las simulaciones son impulsadas por fuerzas de arrastre oceánico y viento en una configuración de flujo de cizalla paralelo unidireccional. El DEM resuelve el movimiento de miles de placas, a partir de las cuales las velocidades horizontales y los esfuerzos de cizalla se promedian espacialmente sobre celdas de red para crear conjuntos de datos eulerianos.
2. Parametrización Reológica: En lugar de asumir una forma funcional específica, la viscosidad de cizalla efectiva $\psi$ se representa como una red neuronal (NN) de alimentación hacia adelante (feedforward). La reología está restringida por principios físicos:
   • Independencia de Marco: La ley constitutiva se formula como una función escalar de los invariantes principales del tensor de velocidad de deformación (en 1D, $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • Positividad y Monotonicidad: La arquitectura de la NN impone una viscosidad no negativa (usando la activación ELU) y la monotonicidad del mapa de esfuerzo-deformación para asegurar que la PDE resultante sea bien planteada y tenga solución única.
3. Estrategia de Entrenamiento (Optimización Restringida por PDE): A diferencia de los enfoques estándar que minimizan el desajuste esfuerzo-deformación, este marco minimiza el desajuste entre los datos de velocidad del DEM y la solución de la ecuación de momento de continuo. El objetivo de entrenamiento es $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$, donde $u(\theta, A)$ es la solución de la PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$.
   • La optimización se realiza utilizando una combinación del método de elementos finitos (Firedrake) y diferenciación automática (PyTorch).
   • Los gradientes se calculan mediante el método adjunto, resolviendo el problema adjunto linealizado para actualizar los pesos $\theta$ de la NN.
   • Se emplea una optimización de dos pasos: primero, minimizando un desajuste de esfuerzo-deformación ($J_s$) para proporcionar una estimación inicial, luego refinando con el desajuste de velocidad ($J_v$).

Resultados Clave
El estudio demuestra que una reología no lineal aprendida puede reproducir con precisión los campos de velocidad de los DEM a través de un amplio rango de condiciones:

• Engrosamiento por Cizalla y Adelgazamiento por Cizalla: La reología inferida revela una transición en el comportamiento dependiente de la concentración de hielo ($A$). Para concentraciones más bajas (p. ej., $A=0.85$), el hielo marino exhibe un comportamiento de engrosamiento por cizalla (la viscosidad aumenta con la tasa de deformación). Para concentraciones más altas (p. ej., $A=0.95$), el comportamiento transiciona hacia el adelgazamiento por cizalla.
• Sensibilidad a la Concentración: Se encuentra que la viscosidad de cizalla efectiva aumenta en varios órdenes de magnitud con cambios pequeños en la concentración de hielo (tan solo un 5%).
• Generalización: El modelo entrenado, con pesos fijos, se generaliza con éxito a:
  • Diferentes Forzamientos: Problemas no estacionarios impulsados por perfiles de viento y océano dependientes del tiempo, incluyendo concentraciones "no vistas" (p. ej., $A=0.875$) no presentes en el conjunto de entrenamiento.
  • Configuraciones 2D: El modelo reproduce con precisión los campos de velocidad en una configuración incompresible de dos dimensiones, preservando las simetrías observadas en el DEM, aunque no puede capturar efectos compresibles como la redistribución de la concentración local.
  • Comparación con el Ajuste de Esfuerzo-Deformación: Los autores señalan que un modelo que se ajusta estrechamente a los datos ruidosos de esfuerzo-deformación del DEM no necesariamente reproduce con precisión los campos de velocidad. Se demuestra que la optimización basada en la velocidad ($J_v$) es superior para capturar la dinámica macroscópica.

Significancia y Reivindicaciones
El artículo afirma que este marco representa un "paso importante" hacia el desarrollo de modelos no newtonianos que reproduzcan con precisión la dinámica del hielo marino observado. Al inferir la reología directamente de los datos de velocidad (que están más disponibles mediante imágenes satelitales que los datos de esfuerzo) e integrar la PDE gobernante dentro del bucle de entrenamiento, el método supera las limitaciones de las parametrizaciones fenomenológicas y el alto costo de los DEM.

Los autores enfatizan que su enfoque no asume una forma reológica preexistente, lo que permite el descubrimiento de comportamientos complejos (como la transición de engrosamiento por cizalla a adelgazamiento por cizalla) que los modelos estándar como el de Hibler (que predice comportamiento plástico para todas las concentraciones) o los modelos colisionales simples podrían pasar por alto. Si bien el modelo actual asume la incompresibilidad e ignora deformaciones mecánicas como la fractura y la formación de crestas, el marco proporciona un modelo de continuo físicamente coherente y computacionalmente eficiente que captura la dinámica esencial de los flujos de hielo marino granulares. El trabajo sugiere que la inferencia de reología basada en datos puede cerrar la brecha entre las simulaciones discretas de alta fidelidad y los modelos de continuo escalables para los Modelos del Sistema Tierra.