Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

Este trabajo presenta un modelo sustituto paramétrico interpretable que combina la identificación dispersa de dinámicas no lineales (SINDy) con operadores neuronales para predecir en tiempo real la dinámica de una esfera oscilante cerca de una pared, aprendiendo a partir de simulaciones CFD de alta fidelidad sin necesidad de recalcularlas.

Lo esencial

¡Claro que sí! Imagina que eres un capitán de un barco grande y necesitas sacar una pequeña lancha (un dron de superficie) del agua para guardarla, o devolverla al agua. Esto es lo que se llama "lanzamiento y recuperación".

El problema es que el mar nunca está tranquilo. Las olas golpean, la lancha se mueve bruscamente y, si está muy cerca del barco grande, las ondas que rebotan contra el casco del barco crean un caos hidrodinámico muy difícil de predecir.

Aquí es donde entra este estudio. Vamos a explicarlo como si fuera una receta de cocina con ingredientes especiales.

1. El Problema: La "Simulación de Cocina" es muy lenta

Para saber exactamente cómo se moverá esa lancha en medio de una tormenta cerca del barco grande, los ingenieros usan supercomputadoras para hacer simulaciones de fluidos (CFD).

• La analogía: Imagina que quieres saber cómo se comportará un globo en una habitación llena de viento. Podrías hacer una simulación en una computadora que toma 100 horas de trabajo para simular solo 30 segundos de movimiento.
• El problema: Si quieres tomar una decisión en tiempo real (¡ahora mismo!), esperar 100 horas no sirve. Necesitas una respuesta en milisegundos.

2. La Solución: El "Chef Intuitivo" (Modelo de Orden Reducido)

En lugar de simular cada gota de agua (lo cual es lento), los autores crearon un modelo simplificado. Imagina que en lugar de simular todo el océano, solo simulas una esfera (la lancha) moviéndose arriba y abajo cerca de una pared (el barco).

Pero, ¿cómo hacen que este modelo simple sea tan preciso como el complejo? Usan dos trucos geniales:

Truco A: El Detective de Patrones (SINDy)

Primero, toman los datos de las simulaciones lentas y leen las "huellas dactilares" del movimiento. Usan una técnica llamada SINDy (que suena a un nombre de detective).

• La analogía: Imagina que ves a alguien saltar en una cama elástica. No necesitas ver cada fibra de la cama para saber que la gravedad y el resorte están actuando. El detective SINDy mira el movimiento y dice: "Ah, veo que hay una fuerza que empuja hacia abajo (gravedad), una que frena el movimiento (fricción) y una que empuja hacia arriba (resorte), y todas cambian de intensidad según lo alto que saltes".
• SINDy convierte el caos del agua en una fórmula matemática corta y limpia (una ecuación diferencial) que describe el movimiento.

Truco B: El Traductor Rápido (Red Neuronal)

Ahora tienen una fórmula para cada caso específico (ej. "si la pared está a 10 metros y sueltas la lancha desde 2 metros de altura"). Pero ¿qué pasa si la pared está a 11 metros? Tendrías que recalcular todo.

• La analogía: Aquí entra la Red Neuronal (ONet). Imagina que tienes un "traductor" o un "chef experto" que ha probado miles de recetas. En lugar de cocinar cada plato desde cero, el chef aprende el patrón.
  • Si le dices: "Pared a 10m, altura 2m", te da la receta exacta.
  • Si le dices: "Pared a 10.5m, altura 2.1m", el chef no necesita cocinar de nuevo; simplemente adivina la receta perfecta basándose en lo que ya sabe, porque ha aprendido cómo cambian los ingredientes (las fuerzas) suavemente.

3. El Resultado: Un "GPS en Tiempo Real"

Al combinar al detective (SINDy) con el chef experto (Red Neuronal), crean un modelo sustituto.

• Lo que hace: Te dice exactamente cómo se moverá la lancha en tiempo real, sin necesidad de esperar 100 horas de simulación.
• La magia: No es solo una "adivinanza" ciega. El modelo sabe física. Sabe que si la pared está cerca, el agua rebota y empuja más fuerte. Sabe que si sueltas la lancha desde muy alto, el agua se comporta de forma no lineal (como un resorte que se pone duro).

¿Por qué es importante esto?

Imagina que eres el capitán del barco grande. Tienes que decidir: "¿Es seguro bajar la lancha ahora?".

• Antes: Tenías que esperar días a que los ingenieros hicieran las matemáticas complejas.
• Ahora: Con este modelo, el sistema te dice en milisegundos: "Sí, es seguro, la lancha rebotará suavemente".

En resumen:

1. Simulaciones lentas (CFD): Son como filmar una película en cámara ultra lenta para entender cada gota de agua. Preciso, pero lento.
2. SINDy (Detective): Mira la película y escribe una receta simple que explica el movimiento.
3. Red Neuronal (Chef): Aprende todas esas recetas y crea un mapa continuo para que puedas predecir el movimiento en cualquier situación nueva instantáneamente.

El resultado es un sistema que es rápido como un rayo pero inteligente como un físico, permitiéndoles recuperar lanchas en medio de tormentas de forma segura y eficiente. ¡Es como tener un oráculo del mar que no tarda en responder!

Resumen técnico

Resumen Técnico: Modelado Hidrodinámico de Orden Reducido de una Esfera Cerca de una Pared mediante Regresión Escasa y Operadores Neuronales

1. Planteamiento del Problema

La recuperación y lanzamiento de pequeñas embarcaciones no tripuladas de superficie (USV) desde buques madre en condiciones de mar irregulares y cercanía a estructuras grandes es una operación crítica pero extremadamente compleja.

• Limitaciones de los métodos actuales: Las herramientas convencionales (teoría de franjas, flujo potencial lineal) fallan cuando la amplitud del movimiento, la pendiente de las olas y la complejidad geométrica aumentan, ya que no capturan efectos no lineales como la interacción onda-cuerpo, la radiación no lineal y las fuerzas de excitación complejas.
• Costo computacional: Las simulaciones de Dinámica de Fluidos Computacional (CFD) de alta fidelidad pueden resolver estos fenómenos físicos, pero son demasiado costosas para su uso en tiempo real (requieren miles de horas de núcleo-CPU por parámetro).
• Necesidad: Se requiere un modelo sustituto (surrogate) interpretable y de bajo costo computacional que pueda predecir la trayectoria de un objeto en tiempo real, capturando la física no lineal de la interacción entre el USV y el buque madre (idealizada como una pared vertical).

2. Metodología

El enfoque propuesto combina modelos de física reducida, aprendizaje automático y regresión esparsa en un marco híbrido:

A. Generación de Datos (CFD)

• Se utilizaron simulaciones CFD de alta fidelidad (Ansys Fluent 2025R1) resolviendo las ecuaciones de Navier-Stokes con un modelo VOF (Volume of Fluid) para la interfaz aire-agua y el modelo de turbulencia $k-\omega$ SST.
• Se generó un conjunto de datos paramétrico de respuestas de decaimiento en heave (movimiento vertical) variando:
  • Distancia a la pared (WD): 9 a 25 metros.
  • Altura de caída (DH): 0.5 a 5 metros.
• Se validó el modelo CFD comparándolo con datos experimentales y soluciones analíticas para casos lineales.

B. Identificación de Dinámicas No Lineales (SINDy)

• Se aplicó la Identificación Escasa de Dinámicas No Lineales (SINDy) a las trayectorias de CFD individuales.
• El objetivo fue identificar una Ecuación Diferencial Ordinaria (ODE) de bajo orden que describa el sistema. La ODE propuesta incluye:
  • Términos polinómicos para fuerzas de restitución hidrostática no lineal y amortiguamiento por radiación.
  • Términos armónicos (seno/coseno) para representar las fuerzas de excitación debidas a las olas reflejadas.
• Se identificó que una biblioteca óptima consiste en un polinomio de tercer orden más armónicos de primer orden, logrando un error cuadrático medio (MSE) de $5.1 \times 10^{-4}$.

C. Operador Neuronal Informado por Física (SINDy-informed Neural Operator - ONet)

• Dado que los coeficientes identificados por SINDy solo existen en puntos discretos del espacio de parámetros $(WD, DH)$, se entrenó una Red Neuronal de Operadores (ONet).
• Arquitectura: Una red feed-forward completamente conectada con una capa oculta (32 neuronas, activación tanh) que mapea las entradas $(WD, DH)$ a los 8 coeficientes de la ODE.
• Restricción Física (Prior): Los coeficientes de salida de la red se escalan utilizando los límites físicos derivados de SINDy para asegurar que los valores aprendidos sean físicamente plausibles.
• Función de Pérdida: En lugar de minimizar el error en los coeficientes, la red minimiza el error en la trayectoria temporal ($x(t)$) resultante de integrar la ODE numéricamente (método Runge-Kutta de 4º orden). Esto aborda la no unicidad de las representaciones ODE no lineales.

3. Contribuciones Clave

1. Modelo Sustituto Interpretable: A diferencia de las "cajas negras" puras (como LSTM o CNN-RNN), este modelo proporciona coeficientes físicos (masa añadida, amortiguamiento, rigidez) que tienen significado hidrodinámico.
2. Híbrido SINDy-ONet: Se demuestra que se puede usar la regresión esparsa para extraer la estructura física local y una red neuronal para interpolar globalmente esos coeficientes en un espacio paramétrico continuo.
3. Validación de Mecanismos No Lineales: Se confirma analíticamente y mediante regresión que las fuerzas de restitución hidrostática tienen una dependencia cúbica significativa con el desplazamiento, crucial para grandes amplitudes de movimiento.
4. Descubrimiento sobre la Fuerza de Excitación: Se revela que la fuerza de excitación no es linealmente separable de la respuesta del cuerpo y el campo de radiación, desafiando los modelos de superposición lineal tradicionales.

4. Resultados

• Precisión: El operador neuronal alcanza un error de prueba (interpolación) de $MSE_{test} \approx 5.76 \times 10^{-4}$, muy cercano al límite teórico impuesto por la identificación SINDy ($5.1 \times 10^{-4}$).
• Comportamiento de los Coeficientes:
  • La red neuronal aprende un "manifold" suave de coeficientes que, aunque difiere numéricamente de los coeficientes directos de SINDy, genera trayectorias dinámicas casi idénticas. Esto sugiere que para sistemas no lineales, no existe una única solución de coeficientes óptima, sino múltiples representaciones que producen la misma dinámica.
  • Los términos de rigidez lineal y cúbica coinciden estrechamente con las predicciones analíticas.
• Extrapolación: El modelo muestra mayor error en condiciones de extrapolación (fuera del dominio de entrenamiento), lo cual es esperado, pero mantiene una estructura física coherente.
• Tiempo de Ejecución: Una vez entrenado, el modelo sustituto puede predecir la dinámica en tiempo real, evitando las horas de cálculo requeridas por la CFD.

5. Significado y Conclusiones

Este trabajo ofrece una vía práctica hacia el modelado sustituto informado por física en tiempo real para operaciones de lanzamiento y recuperación.

• Ventaja Principal: Permite evaluar nuevas configuraciones de distancia y altura de caída instantáneamente, manteniendo un vínculo claro con los mecanismos hidrodinámicos subyacentes (masa añadida, amortiguamiento, rigidez).
• Limitaciones y Futuro: El estudio se centra en una geometría idealizada (esfera) y un solo grado de libertad (heave). La complejidad de las fuerzas de excitación reflejadas indica la necesidad de representaciones de fuerza más sofisticadas en el futuro.
• Impacto: El enfoque demuestra que es posible combinar la interpretabilidad de la regresión esparsa con la capacidad de generalización de los operadores neuronales para resolver problemas de hidrodinámica naval no lineal complejos, superando las limitaciones de los métodos puramente lineales y los costos de la CFD.