A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

Este estudio propone un marco de modelado de orden reducido híbrido para flujos turbulentos en mallas colocalizadas que combina una estrategia de flujo consistente de "discretizar-luego-proyectar" para la conservación de masa y momento con un cierre basado en datos de tipo LSTM para reconstruir con precisión la viscosidad turbulenta, logrando un desempeño superior en la captura de la dinámica transitoria en comparación con otras arquitecturas de redes neuronales.

Lo esencial

Imagina que estás intentando predecir cómo se moverá un fluido complejo y arremolinado (como el viento en una habitación o el agua en una tubería). Para hacer esto perfectamente, necesitas una simulación de supercomputadora que rastree cada diminuta partícula de ese fluido. Esto se llama Modelo de Orden Completo (FOM, por sus siglas en inglés). Es increíblemente preciso, pero es como intentar contar cada grano de arena en una playa para predecir la marea: toma una eternidad y requiere una cantidad masiva de memoria.

Para resolver esto, los científicos utilizan Modelos de Orden Reducido (ROM). Piensa en un ROM como un "resumen" o una "edición destacada" del comportamiento del fluido. En lugar de rastrear miles de millones de partículas, rastrea solo los patrones más importantes (como los grandes remolinos) para darte una respuesta rápida y lo suficientemente buena.

Sin embargo, hay un inconveniente: cuando el fluido es turbulento (caótico y arremolinado salvajemente), este método de "resumen" suele fallar. Puede que acierte en la visión general (velocidad y presión), pero falla al predecir la "fricción" o "viscosidad" de la turbulencia (llamada viscosidad turbulenta). Es como tener un pronóstico del tiempo que predice la velocidad del viento perfectamente, pero que se equivoca completamente en la humedad.

La solución del artículo: Un equipo híbrido

Los autores de este artículo crearon un nuevo sistema "híbrido" que combina lo mejor de dos mundos para solucionar este problema. Utilizaron una Cavidad Impulsada por Tapa en 3D (una caja donde la tapa superior se desliza hacia adelante y hacia atrás, arrastrando el fluido en su interior) como su caso de prueba.

Así es como funciona su sistema, utilizando analogías sencillas:

1. El equipo de la "Física" (El contador estricto)

Para la velocidad del fluido (velocidad) y la presión, el equipo utiliza un método llamado "Discretizar-luego-Proyectar".

• La analogía: Imagina que estás construyendo una casa. Tienes un plano estricto (las leyes de la física) que asegura que las paredes estén rectas y el techo no tenga filtraciones. Este equipo sigue el plano exactamente. Toman la compleja matemática del fluido, la reducen al tamaño de un "resumen", pero lo hacen de una manera que garantiza que el fluido no aparezca ni desaparezca mágicamente (conservación de la masa).
• El resultado: Obtienen la velocidad y la presión del fluido de manera muy precisa sin necesidad de "parches" o correcciones adicionales.

2. El equipo "Basado en Datos" (El artista intuitivo)

Para la viscosidad turbulenta (la fricción caótica), el método del "Contador Estricto" falla. Por eso, los autores trajeron a un equipo Basado en Datos.

• La analogía: En lugar de intentar calcular el caos con un plano rígido, contrataron a un artista que ha observado miles de horas de este tipo específico de fluido arremolinado. Este artista utiliza Aprendizaje Automático (específicamente Redes Neuronales) para "aprender" el patrón del caos a partir de los datos.
• La herramienta: Probaron tres tipos diferentes de "artistas" (arquitecturas de Redes Neuronales):
  • MLP: Un artista básico que mira el momento actual pero olvida el pasado.
  • Transformer: Un artista que puede mirar toda la línea de tiempo a la vez, pero que podría distraerse.
  • LSTM (Memoria a Corto y Largo Plazo): Un artista que tiene una gran memoria. Recuerda no solo lo que está sucediendo ahora, sino lo que sucedió hace unos segundos. Esto es crucial porque la turbulencia es una reacción en cadena; lo que sucede ahora depende en gran medida de lo que sucedió justo antes.

3. El resultado final: El dúo perfecto

El artículo combina estos dos equipos. El "Contador Estricto" se encarga de la velocidad y la presión, mientras que el "Artista Intuitivo" (específicamente el modelo LSTM) predice la fricción turbulenta.

¿Por qué ganó el LSTM?
La turbulencia es como una fila de fichas de dominó cayendo. Si solo miras la primera ficha (el momento actual), no puedes predecir el resto. Necesitas ver la cadena de fichas cayendo (la historia). El modelo LSTM es el mejor para recordar esta cadena de eventos.

El resultado

Cuando probaron este sistema híbrido contra la simulación de la supercomputadora:

• Velocidad y Presión: El modelo fue increíblemente preciso (solo un 0.7% de error).
• Fricción Turbulenta: El modelo predijo el caos con un 4% de error, lo cual fue mucho mejor que los otros modelos de IA que probaron (que tuvieron errores de hasta el 14%).

En resumen

El artículo presenta una forma ingeniosa de simular fluidos caóticos rápidamente. No intentaron forzar a un solo método a hacer todo. En su lugar, utilizaron matemáticas rígidas para las partes que necesitan ser exactas (velocidad/presión) y memoria inteligente de IA para la parte que es caótica y difícil de calcular (turbulencia).

El resultado es una simulación rápida y precisa que captura los "remolinos" de un flujo turbulento en 3D sin necesidad de una supercomputadora, demostrando que, a veces, la mejor manera de resolver un problema difícil es dejar que las matemáticas y el aprendizaje automático hagan lo que mejor saben hacer.

Resumen técnico

Resumen Técnico: Un Modelo de Orden Reducido Híbrido de Discretización-luego-Proyección para Flujos Turbulentos en Mallas Colocadas con Cierre Basado en Datos

Planteamiento del Problema
Las simulaciones de Dinámica de Fluidos Computacional (CFD) de flujos turbulentos, particularmente aquellas que involucran modelos de alta resolución, suelen estar limitadas por costos computacionales y requisitos de memoria prohibitivos. El Modelado de Orden Reducido (ROM) ofrece una estrategia para mitigar estos costos mediante la proyección de las ecuaciones gobernantes sobre subespacios de menor dimensión. Sin embargo, la aplicación de los ROM de proyección estándar (específicamente POD-Galerkin) a flujos turbulentos en mallas de volúmenes finitos colocadas presenta desafíos significativos. Si bien la estrategia de "discretizar-luego-proyectar" asegura la conservación de la masa y el acoplamiento presión-velocidad para los campos de velocidad y presión, no produce resultados físicamente consistentes cuando se aplica directamente al campo de viscosidad turbulenta. La proyección de Galerkin intrusiva estándar no puede resolver con precisión la compleja evolución temporal y las interacciones no lineales de la viscosidad de remolino dentro de una base reducida, lo que conduce a inconsistencias físicas. Además, las mallas colocadas suelen sufrir inestabilidades numéricas (por ejemplo, modos de presión de tablero de ajedrez o checkerboard) si no se estabilizan adecuadamente, lo que normalmente requiere técnicas auxiliares como la interpolación de Rhie-Chow o la estabilización de presión que complican la formulación de orden reducido.

Metodología
Los autores proponen un marco de trabajo ROM híbrido que combina el rigor matemático de la proyección intrusiva con la adaptabilidad de los métodos no intrusivos basados en datos. La metodología se estructura de la siguiente manera:

1. Modelo de Orden Completo (FOM) y Discretización:

   • Las ecuaciones de Navier-Stokes incompresibles se resuelven utilizando un enfoque de Simulación de Grandes Escalas (LES) con el modelo de subcapa de escala de Smagorinsky.
   • El FOM utiliza un método de volúmenes finitos (FVM) colocado en una malla estructurada, implementado dentro del marco de trabajo OpenFOAM.
   • Para abordar la estabilidad en mallas colocadas sin técnicas de estabilización auxiliares, el estudio emplea el método de flujo consistente de "discretizar-luego-proyectar" (CFM). Esta estrategia formula los operadores directamente al nivel discreto, proyectando las matrices de orden completo y las contribuciones de frontera sobre espacios reducidos para asegurar la consistencia entre las representaciones de velocidad y presión.

2. Estrategia de ROM Híbrida:

   • Vía Intrusiva (Velocidad y Presión): Los campos de velocidad y presión se resuelven mediante la proyección POD-Galerkin de la formulación de flujo consistente. Esto implica la extracción de modos de Descomposición de Órdenes Propios (POD) de los instantáneas (snapshots) de alta fidelidad y la proyección de los operadores discretos (convectivos, difusivos, de gradiente y de Laplaciano) sobre estos modos. Esta vía asegura la conservación de la masa y mantiene el acoplamiento físico de las ecuaciones de Navier-Stokes.
   • Vía No Intrusiva (Viscosidad Turbulenta): Reconociendo que la proyección intrusiva falla para el campo de turbulencia, la viscosidad turbulenta ($\nu_T$) se reconstruye utilizando un cierre basado en datos. En lugar de proyectar la ecuación de viscosidad, los coeficientes temporales de la viscosidad turbulenta se predicen utilizando redes neuronales entrenadas con los coeficientes temporales de velocidad y presión.

3. Arquitecturas de Redes Neuronales:

   • Se evaluaron tres arquitecturas para modelar la evolución temporal de los coeficientes de viscosidad: Perceptrón Multicapa (MLP), Transformers y redes de Memoria de Corto Plazo de Largo Ámbito (LSTM).
   • Se seleccionó la arquitectura LSTM por su capacidad para propagar información a través de horizontes temporales extendidos, lo cual es crítico para capturar la naturaleza dependiente de la historia de los flujos turbulentos no estacionarios.

Contribuciones Clave

• Extensión a la Turbulencia 3D: El trabajo extiende las estrategias previas de "discretizar-luego-proyectar" (previamente limitadas a flujos laminares 2D) a configuraciones turbulentas tridimensionales completas, abordando la mayor complejidad física y las demandas computacionales.
• Cierre Híbrido para Mallas Colocadas: El artículo introduce un novedoso enfoque híbrido donde la viscosidad turbulenta se maneja de forma no intrusiva mediante aprendizaje automático, mientras que la velocidad y la presión permanecen gobernadas por la formulación de flujo consistente basada en la física. Esto evita la necesidad de técnicas de estabilización de presión a nivel reducido.
• Análisis Comparativo de Arquitecturas: El estudio proporciona una comparación sistemática de las redes MLP, Transformer y LSTM para el cierre de turbulencia, identificando las fortalezas específicas de las arquitecturas recurrentes en este contexto.

Resultados
El marco fue validado contra una simulación de Grandes Escalas (LES) 3D de una cavidad impulsada por tapa (cubo unitario, malla de $50 \times 50 \times 50$, $Re$ basado en la velocidad de la tapa).

• Configuración del Modelo: Se retuvieron 10 modos POD para velocidad, presión y viscosidad turbulenta. Se utilizaron los primeros 1800 pasos de tiempo para el entrenamiento y los 200 restantes para la validación.
• Métricas de Desempeño:
  • El cierre basado en LSTM demostró un desempeño superior en la captura de la dinámica transitoria en comparación con los modelos MLP y Transformer.
  • Errores Relativos (LSTM):
    • Velocidad: 0.7%
    • Presión: 6.0% (consistente en todas las arquitecturas)
    • Viscosidad Turbulenta: 4.0% (significativamente menor que el MLP con 14.0% y el Transformer con 9.0%)
  • Energía y Entropía: El modelo LSTM mostró errores relativos ligeramente menores en energía (0.7%) y entropía (1.7%) en comparación con las otras arquitecturas.
• Validación Visual: Las comparaciones de los campos de velocidad, presión y viscosidad turbulenta entre el Modelo de Orden Completo (FOM) y el ROM Híbrido muestran que la aproximación es precisa, siendo el método híbrido capaz de reproducir exitosamente las estructuras del flujo.

Significancia y Afirmaciones
El artículo afirma que el marco propuesto cierra eficazmente la brecha entre la consistencia matemática de los ROM basados en proyección y la flexibilidad predictiva del aprendizaje profundo. Al separar el tratamiento de las variables del flujo (intrusivo para velocidad/presión) y el cierre de la turbulencia (no intrusivo para la viscosidad), el método logra un modelo de orden reducido estable y preciso para flujos turbulentos 3D en mallas colocadas sin requerir técnicas de estabilización complejas.

Los autores concluyen modestamente que, si bien el modelo híbrido captura con éxito las principales características de la evolución del flujo para el caso de prueba específico de la cavidad impulsada por tapa, se requieren casos de prueba adicionales para evaluar plenamente el desempeño del enfoque en diferentes condiciones de flujo y geometrías. El estudio destaca que tener en cuenta explícitamente las correlaciones temporales (como hace el LSTM) es crucial para modelar la dinámica turbulenta no estacionaria donde el término de cierre depende de la historia reciente del flujo.