Unsupervised simulation of incompressible flows with physics- and equality- constrained artificial neural networks

Este trabajo presenta un marco de red neuronal no supervisado con restricciones físicas y de igualdad que utiliza un objetivo de Poisson de presión y un método de Lagrangiano aumentado adaptativo para simular con éxito flujos incompresibles a alto número de Reynolds sin datos etiquetados, superando las limitaciones anteriores en la imposición de restricciones estrictas de divergencia nula y condiciones de contorno.

Lo esencial

Imagina que estás intentando enseñar a un robot a predecir cómo fluye el agua alrededor de una roca o dentro de una caja. Por lo general, para enseñarle esto a un robot, necesitas mostrarle miles de videos de agua fluyendo (datos etiquetados) para que pueda aprender por ejemplo. Esto es como enseñar a un niño a montar en bicicleta mostrándole un millón de videos de otros niños montando.

Este artículo introduce una nueva forma de enseñar al robot. En lugar de mostrarle videos, simplemente le damos las reglas del universo (las leyes de la física) y decimos: "Descúbrelo". El robot tiene que aprender el flujo puramente intentando obedecer estas reglas, sin ningún ejemplo previo. Esto se llama "aprendizaje no supervisado".

Sin embargo, hay una trampa. Cuando el agua se mueve rápido (alta velocidad), se vuelve caótica y complicada. Los intentos anteriores de los robots para aprender estos flujos rápidos usando solo reglas a menudo fallaban. Se confundían, y el agua desaparecía mágicamente o se comportaba de formas imposibles.

El Problema: El "Cubo con Fugas"

En física, el agua es incompresible, lo que significa que no puedes comprimirla en un espacio más pequeño. Si el agua fluye hacia una habitación, una cantidad igual debe salir. Si la predicción de tu robot no equilibra esto perfectamente, es como un cubo con un agujero en el fondo; las matemáticas se desmoronan.

Los métodos antiguos intentaban obligar al robot a seguir las reglas, pero eran demasiado laxos. El robot diría: "Estoy mayormente siguiendo las reglas", y eso no era suficiente para flujos rápidos y complejos.

La Solución: Un Profesor Estricto con una Puntuación Especial

Los autores construyeron un nuevo sistema llamado PECANN. Piensa en esto como un profesor muy estricto que utiliza un sistema de calificación especial.

1. La Puntuación (El Objetivo): En lugar de simplemente pedirle al robot que siga las reglas básicas de flujo, el profesor le da una prueba específica y difícil de acertar correctamente: la Ecuación de Poisson de Presión.

   • Analogía: Imagina que estás intentando equilibrar una pila de platos. Las reglas básicas dicen "no los dejes caer". Pero la Ecuación de Poisson de Presión es como una regla específica que dice: "La pila debe estar perfectamente plana, o todo el conjunto colapsará". El objetivo principal del robot es minimizar el "bamboleo" de esta pila. Si la pila se bambolea, el robot sabe que está equivocado.

2. El Profesor Estricto (Las Restricciones): Al robot no se le permite simplemente acercarse a la respuesta. Debe golpear el objetivo exactamente. Los autores utilizan un método llamado CA-ALM (Método del Lagrangiano Aumentado Adaptativo Condicional).

   • Analogía: Imagina un robot intentando caminar por una cuerda floja. Los métodos antiguos permitían que el robot se balanceara un poco y dijeran: "Eso está lo suficientemente cerca". Este nuevo método es como un entrenador que grita: "¡Alto! ¡Estás a 1 milímetro de distancia! ¡Corríjelo inmediatamente!". El entrenador ajusta la presión sobre los pies del robot dinámicamente hasta que esté perfectamente equilibrado.

3. Las Ruedas de Entrenamiento (Viscosidad Adaptativa): Cuando el robot comienza a aprender flujos rápidos, se vuelve inestable y podría caerse. Para ayudar, los autores agregan una "rueda de entrenamiento" temporal llamada Viscosidad de Entropía Desvaneciente Adaptativa.

   • Analogía: Esto es como agregar un poco de miel al agua para hacerla fluir más lento y suavemente mientras el robot aprende lo básico. Una vez que el robot se acostumbra, la miel se elimina mágicamente y el agua fluye naturalmente nuevamente. El robot aprende el flujo rápido sin la miel, pero la miel le ayudó a empezar.

¿Qué Demostraron?

El equipo probó este nuevo sistema de "Profesor Estricto" en tres desafíos famosos:

• La Tapa Móvil (Flujo en Cavitación): Imagina una caja donde la tapa superior se desliza de un lado a otro, arrastrando el agua dentro. Lo probaron a velocidades muy altas (números de Reynolds de hasta 7.500).
  • Resultado: El robot predijo los vórtices giratorios (remolinos) perfectamente, coincidiendo con las mejores simulaciones informáticas tradicionales, incluso sin ver ningún video de entrenamiento.
• El Giro 3D (Flujo de Beltrami): Un flujo tridimensional complejo y retorcido que tiene una respuesta matemática conocida.
  • Resultado: El robot fue mucho más preciso que los métodos anteriores de IA, obteniendo la presión y la velocidad correctas con muy poco error.
• El Cilindro (Flujo alrededor de una Roca): Agua fluyendo alrededor de un cilindro. A cierta velocidad, el agua deja de fluir suavemente y comienza a desprender vórtices (remolinos) en un patrón rítmico (como una bandera ondeando al viento).
  • Resultado: Este es el "santo grial". El robot comenzó con una suposición aleatoria y espontáneamente descubrió que el agua comenzaría a ondear y a desprender remolinos, sin que nadie le dijera que lo hiciera. Capturó el ritmo exacto del ondeo.

La Conclusión

El artículo afirma que al cambiar qué intenta minimizar el robot (centrándose en el equilibrio de presión) y qué tan estrictamente hace cumplir las reglas (usando el método del profesor estricto), finalmente resolvieron el problema de simular flujos de agua rápidos y complejos utilizando solo las leyes de la física.

Lo hicieron sin usar datos pregrabados ni "hacer trampa" con respuestas conocidas. El robot aprendió el flujo desde cero, simplemente intentando obedecer las reglas de la física perfectamente. Este es un gran paso hacia el uso de la IA para reemplazar las simulaciones informáticas tradicionales y pesadas para la dinámica de fluidos.

Resumen técnico

Resumen Técnico: Simulación No Supervisada de Flujos Incompresibles con Redes Neuronales Artificiales Restringidas por Física y por Igualdad

Planteamiento del Problema
Aunque las Redes Neuronales Informadas por Física (PINN) han demostrado ser prometedoras para resolver ecuaciones diferenciales parciales, su aplicación a flujos incompresibles, particularmente a altos números de Reynolds, ha sido limitada. Los enfoques existentes a menudo dependen de datos etiquetados auxiliares, preentrenamiento supervisado o soluciones de referencia analíticas para lograr la convergencia. Un método puramente no supervisado, comparable a los solucionadores convencionales de diferencias finitas o volúmenes finitos en su capacidad para imponer restricciones físicas estrictas sin datos externos, no ha sido demostrado con éxito. Los autores atribuyen esta brecha a la falta de un mecanismo robusto para imponer la restricción de divergencia nula y las condiciones de frontera a tolerancias estrictas, una capacidad fundamental para los solucionadores tradicionales de flujo incompresible.

Metodología
El método propuesto utiliza el marco de la Red Neuronal Artificial Restringida por Física y por Igualdad (PECANN) combinado con un Método de Lagrangiano Aumentado Adaptativo Condicionalmente (CA-ALM). La innovación central reside en la formulación del problema de optimización:

1. Función Objetivo Basada en la Ecuación de Poisson de Presión: A diferencia de los enfoques de referencia que minimizan directamente los residuos de la cantidad de movimiento, este método adopta el residuo de la ecuación de Poisson de presión como función objetivo ($J$). Esta función objetivo se minimiza sujetada a las ecuaciones de cantidad de movimiento, la ecuación de continuidad (divergencia nula) y las condiciones de frontera/iniciales, todas impuestas como restricciones de igualdad estrictas.
2. Imposición de Restricciones (CA-ALM): El algoritmo CA-ALM asigna multiplicadores de Lagrange y parámetros de penalización independientes a cada restricción, actualizándolos de forma adaptativa para garantizar que las restricciones heterogéneas (EDP, condiciones de frontera, condiciones iniciales) se satisfagan a tolerancias estrictas.
3. Viscosidad de Entropía Adaptativa Desvaneciente: Para estabilizar el entrenamiento de flujos dominados por advección a altos números de Reynolds sin influir en la solución final, se introduce una viscosidad de entropía adaptativa desvaneciente. Esta viscosidad artificial está activa solo durante las etapas tempranas del entrenamiento y desaparece una vez que la optimización converge, asegurando que la solución final refleje el verdadero número de Reynolds.
4. Arquitectura de la Red: El método emplea mapeos de características de Fourier para mejorar la capacidad de la red para capturar componentes de alta frecuencia, concatenados con las entradas originales para preservar el comportamiento de baja frecuencia.

Contribuciones Clave y Estudios de Ablación
El artículo establece que la elección de la función objetivo es crítica. Una formulación de referencia que minimiza directamente los residuos de la cantidad de movimiento (omitendo la ecuación de Poisson de presión) resultó ineficaz incluso con el mismo mecanismo de imposición de restricciones. La formulación basada en la ecuación de Poisson de presión garantiza que tanto los campos de velocidad como de presión sean físicamente consistentes por construcción.

Además, el estudio identifica condiciones críticas para las fronteras de salida en problemas de flujo externo. Mediante estudios de ablación sobre el flujo alrededor de un cilindro, los autores demuestran que imponer la conservación global del flujo másico en la salida es esencial para recuperar soluciones físicas. Una condición de Neumann cero sobre el gradiente de presión, combinada con esta restricción de flujo másico, produjo el mejor acuerdo con los datos de referencia.

Resultados
El método se evaluó en varios problemas de referencia sin datos etiquetados ni preentrenamiento supervisado:

• Cavidad 2D con Tapa Deslizante (LDC): Se realizaron simulaciones hasta $Re = 7,500$. La formulación propuesta logró un excelente acuerdo con los datos de referencia (Ghia et al., Erturk et al.), capturando con precisión los vórtices de esquina y los perfiles de velocidad. Las formulaciones de referencia no lograron producir resultados aceptables más allá de $Re = 400$.
• Flujo de Beltrami No Estacionario 3D: El método logró una reducción del orden de magnitud en el error en comparación con resultados anteriores de NSFnets, con predicciones de presión dos órdenes de magnitud más precisas.
• Flujo alrededor de un Cilindro Circular:
  • Estacionario ($Re=40$): El método recuperó con éxito soluciones físicas con coeficientes de arrastre que coinciden con los valores de la literatura, identificando la necesidad de restricciones de flujo másico en la salida.
  • No Estacionario ($Re=100$): Utilizando una formulación en tiempo discreto con BDF2, el método capturó el inicio espontáneo del desprendimiento periódico de vórtices (calle de von Kármán) partiendo de una red inicializada aleatoriamente con velocidad inicial cero y sin perturbaciones externas. El número de Strouhal y los coeficientes de sustentación predichos se alinearon estrechamente con las simulaciones de Ansys Fluent.

Significado
El artículo afirma que este trabajo proporciona el primer solucionador basado en redes neuronales puramente no supervisado para flujos incompresibles que rivaliza con los solucionadores convencionales en la imposición de restricciones físicas. Al imponer rigurosamente la condición de divergencia nula y las condiciones de frontera mediante restricciones de igualdad, el método supera la limitación principal de los enfoques PINN anteriores. La capacidad de capturar el desprendimiento espontáneo de vórtices en flujos no estacionarios sin perturbaciones externas ni datos etiquetados demuestra un paso significativo hacia la dinámica de fluidos computacional sin mallas y libre de datos. Si bien el costo de entrenamiento sigue siendo mayor que el de los solucionadores convencionales, los autores sugieren que esta brecha puede mitigarse mediante marcos de alto rendimiento y descomposición de dominio, proporcionando una base para futuras extensiones a fronteras móviles complejas y problemas inversos.