Physics-Constrained Neural Closure for Lattice Boltzmann Large-Eddy Simulation

Este artículo presenta un cierre de subescala basado en redes neuronales y restringido por principios físicos para la simulación de grandes remolinos en el método de Boltzmann en red, el cual, al combinarse con una proyección de viscosidad efectiva y un término de fuerza residual, mejora las estadísticas turbulentas frente a los modelos baselines tradicionales y demuestra viabilidad en implementaciones de alto rendimiento.

Lo esencial

¡Claro que sí! Imagina que quieres predecir cómo se comportará el humo de un cigarrillo o el agua en un río, pero en lugar de hacerlo con una regla simple, usas una computadora muy potente. El problema es que la computadora no puede ver cada molécula de agua o de humo porque son demasiadas (billones y billones).

Aquí es donde entra este artículo, que propone una solución inteligente para simular fluidos (como el aire o el agua) de manera más realista y rápida. Vamos a desglosarlo con analogías sencillas:

1. El Problema: El "Zoom" que se pierde

Imagina que tienes una foto de una multitud de gente bailando. Si haces zoom muy cerca, ves a cada persona moviendo los brazos. Pero si te alejas (haces un "zoom out") para ver todo el salón, ya no ves a cada individuo, solo ves un borrón de movimiento.

En la física, esto se llama Simulación de Grandes Remolinos (LES). La computadora resuelve los movimientos grandes (el borrón), pero ignora los pequeños (los brazos individuales). El problema es que esos "brazos pequeños" (los remolinos microscópicos) afectan al movimiento grande. Si los ignoras, tu simulación se vuelve aburrida y poco realista; el fluido se detiene demasiado rápido o se mueve de forma extraña.

2. La Solución Antigua: El "Gorro de lana" (Modelos Clásicos)

Antes, los científicos usaban una regla simple llamada "Smagorinsky". Imagina que es como poner un gorro de lana sobre el fluido. El gorro dice: "Si el agua se mueve rápido, añade fricción para que se calme".

• Lo bueno: Es muy rápido y nunca se rompe.
• Lo malo: Es tonto. Asume que el agua siempre quiere calmarse. En la realidad, a veces la energía de los remolinos pequeños salta hacia los grandes (como cuando un remolino pequeño empuja a uno grande). El gorro de lana no permite esto; solo frena todo.

3. La Nueva Solución: Un "Cocinero con Instinto" (Red Neuronal)

Los autores de este paper crearon un chef experto (una Inteligencia Artificial o Red Neuronal) que aprendió a cocinar la "salsa" perfecta para estos remolinos pequeños.

• ¿Qué aprendió? En lugar de usar una regla simple, el chef observó millones de ejemplos de cómo se mueve el agua en una simulación perfecta (llamada DNS). Aprendió a mirar 9 cosas (la tensión y el giro del fluido) y adivinar exactamente qué efecto tienen los remolinos pequeños.
• La magia: Este chef no solo sabe frenar el agua (disipación), sino que también sabe cuándo empujarla (retroalimentación o backscatter). ¡Es como si el chef supiera cuándo añadir un poco de levadura para que la masa suba, en lugar de solo añadir sal para que baje!

4. El Truco Maestro: Dividir para Conquistar

Aquí está la parte más ingeniosa del papel. Las computadoras que usan este método (Lattice Boltzmann) son muy estrictas: no les gusta recibir instrucciones extrañas de golpe.

El equipo dividió la tarea del chef en dos partes:

1. La parte aburrida (Frenado): Lo que el chef dice que es "fricción" (como el gorro de lana), lo meten en el motor principal de la computadora. Esto es fácil y estable.
2. La parte emocionante (Empuje): Lo que el chef dice que es "movimiento extra" o "giros extraños", lo inyectan como un pequeño empujón externo.

La analogía: Imagina que conduces un coche.

• La parte de "frenado" la controla el sistema de frenos automático del coche (estable).
• La parte de "acelerar o girar" la controla un copiloto experto que te da pequeños empujones en el volante cuando es necesario.
• Resultado: El coche es estable, pero también puede hacer maniobras complejas que el sistema automático solo no podría hacer.

5. ¿Por qué es importante?

• Es más realista: Captura esos momentos raros donde la energía salta de los remolinos pequeños a los grandes, algo que los métodos antiguos ignoraban.
• Es rápido: Aunque es una Inteligencia Artificial, está tan bien diseñada que corre casi a la misma velocidad que los métodos antiguos y simples.
• Es un "generalista": Lo más sorprendente es que entrenaron al chef solo con agua en un tanque (sin paredes), y luego lo probaron en un río con orillas (canal). ¡Funcionó sin necesidad de volver a entrenarlo! Es como si un chef que solo cocinaba sopa pudiera hacer un buen estofado sin cambiar la receta.

En resumen

Este paper presenta un sistema híbrido que combina la velocidad de los métodos clásicos con la inteligencia de una Red Neuronal. En lugar de usar una regla de "frenar siempre", usan un "asistente inteligente" que sabe cuándo frenar y cuándo empujar, logrando simulaciones de fluidos mucho más precisas y realistas sin sacrificar la velocidad.

Es como pasar de usar un mapa de papel estático a tener un GPS en tiempo real que no solo te dice por dónde ir, sino que también te avisa de los baches y te sugiere atajos basados en el tráfico real.

Resumen técnico

Resumen Técnico

1. Planteamiento del Problema

La Simulación de Grandes Vórtices (LES, por sus siglas en inglés) es fundamental para estudiar flujos turbulentos a números de Reynolds altos donde la Simulación Numérica Directa (DNS) es prohibitivamente costosa. Sin embargo, los modelos de cierre de subescala (SGS) clásicos, como el modelo de Smagorinsky, a menudo sacrifican la fidelidad estructural por estabilidad. Estos modelos tienden a ser puramente viscosos (disipativos), lo que les impide capturar fenómenos cruciales como la anisotropía del estrés y el retroceso de energía (backscatter), es decir, la transferencia de energía desde las escalas no resueltas hacia las resueltas.

Aunque existen enfoques de aprendizaje automático (ML) para modelar el estrés SGS en solvers de Navier-Stokes continuos, su aplicación en el Método de Boltzmann en Red (LBM) es limitada. El LBM ofrece ventajas computacionales (disponibilidad local de presión y estrés sin resolver sistemas globales), pero integrar un cierre explícito de estrés tensorial en su formulación cinética de manera estable y eficiente representa un desafío técnico significativo.

2. Metodología

Los autores proponen un cierre de estrés SGS impulsado por datos y restringido por física, diseñado específicamente para acoplarse al LBM.

• Generación de Datos y Entrenamiento:

  • Se utilizan datos de DNS de turbulencia isotrópica homogénea forzada (FHIT) generados con LBM.
  • Los campos se filtran y submuestrean (FD) a múltiples anchos de filtro ($\Delta$) para crear pares de datos: campos resueltos y estreses SGS exactos.
  • Entradas del Modelo: 9 características derivadas macroscópicas locales: 6 componentes independientes del tensor de tasa de deformación ($S_{ij}$) y 3 componentes del vector de vorticidad ($\omega$).
  • Normalización: Se aplica una normalización por el ancho de filtro ($\Delta$) a las entradas derivadas para asegurar que el modelo sea independiente de la resolución de la malla.

• Arquitectura de la Red Neuronal:

  • Una red neuronal compacta (MLP) con una arquitectura jerárquica: entrada (9) $\to$ capa oculta (64) $\to$ capa oculta (64) $\to$ salida (6 componentes del tensor de estrés SGS).
  • Función de activación: GELU (Gaussian Error Linear Unit).
  • Total de parámetros: ~5,190 (muy ligero para despliegue en tiempo real).

• Estrategia de Entrenamiento con Restricciones Físicas:
  La función de pérdida combina el error cuadrático medio (MSE) de los datos con tres términos de física:

  1. Ajuste de Transferencia de Energía ($\Pi$): Minimiza la diferencia entre la transferencia de energía SGS predicha y la real, permitiendo valores negativos (retroceso de energía) sin forzar la no negatividad.
  2. Equivarianza Rotacional: Penaliza inconsistencias bajo rotaciones cúbicas discretas.
  3. Penalización de Divergencia: Asegura que la fuerza SGS implícita sea compatible con la formulación de acoplamiento divergente del solver.

• Estrategia de Acoplamiento Híbrido (Innovación Clave):
  Para integrar el estrés predicho en el LBM de manera estable, se divide el estrés SGS ($\tau^{ML}$) en dos partes:

  1. Parte Disipativa ($\tau^{diss}$): La componente alineada con la tasa de deformación se modela como una viscosidad efectiva ($\nu_{eff}$), modificando la tasa de relajación local en el paso de colisión LBM. Esto permite capturar el retroceso de energía (backscatter) permitiendo viscosidades negativas.
  2. Parte Residual Anisotrópica ($\tau^{res}$): El resto del estrés (no disipativo) se introduce mediante un término de fuerza (usando la formulación de Guo). Esto preserva efectos anisotrópicos que una viscosidad eddy pura no podría representar.

3. Contribuciones Clave

1. Cierre de Estrés Explícito en LBM: Demuestran que es posible predecir el tensor de estrés SGS completo a partir de características locales derivadas y acoplarlo exitosamente a un solver LBM, superando las limitaciones de los modelos puramente viscosos.
2. Estrategia de División Disipativa/Residual: Introducen un mecanismo híbrido que separa la disipación (vía viscosidad efectiva) de los efectos anisotrópicos no disipativos (vía fuerza), logrando estabilidad numérica a largo plazo y capturando tanto la disipación como el retroceso de energía.
3. Validación Rigurosa:
   • A priori: Alta correlación con datos de referencia filtrados (DNS) y reproducción precisa de las distribuciones de probabilidad (PDF) de la transferencia de energía, incluyendo la cola de retroceso.
   • A posteriori: Mejora significativa en métricas energéticas y estadísticas en comparación con modelos Smagorinsky estáticos y dinámicos.
4. Despliegue de Producción: Implementación exitosa en un código Fortran/OpenACC utilizando ONNX Runtime en GPU. El rendimiento es comparable al del modelo Smagorinsky dinámico (diferencia de ~0.6% en el throughput), demostrando viabilidad práctica.
5. Transferencia de Modelo: El modelo entrenado exclusivamente en turbulencia isotrópica (FHIT) se transfirió exitosamente a un flujo en canal turbulento sin reentrenamiento, capturando perfiles de velocidad y tensiones de Reynolds con alta precisión.

4. Resultados Principales

• Precisión: En la validación a priori, el modelo alcanza coeficientes de determinación ($R^2$) entre 0.69 y 0.84 y correlaciones de Pearson ($\rho$) entre 0.84 y 0.95 en diferentes anchos de filtro y viscosidades.
• Captura de Retroceso (Backscatter): A diferencia de Smagorinsky (que fuerza viscosidad no negativa y elimina el retroceso), el modelo ML reproduce fielmente la cola negativa en la distribución de la transferencia de energía ($\Pi < 0$), tanto en validación a priori como a posteriori.
• Estabilidad y Consistencia Energética: La división del estrés garantiza que la parte residual no disipe energía artificialmente. En simulaciones a posteriori, el error de balance energético del modelo ML se mantiene mucho más cerca de la DNS que los modelos basados en viscosidad.
• Robustez: El modelo funciona bien tanto con operadores de colisión MRT (Multiple Relaxation Time) como BGK (Bhatnagar-Gross-Krook), a pesar de haber sido entrenado con datos MRT.
• Transferencia a Canal: En flujos en canal (Re$\tau \approx 160$), el modelo predice correctamente la subcapa viscosa, la región logarítmica y las fluctuaciones RMS, demostrando generalización a flujos con paredes y cizallamiento medio fuerte.

5. Significado e Impacto

Este trabajo representa un avance significativo en la intersección entre el aprendizaje automático y la dinámica de fluidos computacional (CFD) basada en LBM.

• Superación de Limitaciones Clásicas: Resuelve el dilema clásico de los modelos de viscosidad eddy en LBM, que no pueden representar la anisotropía completa ni el retroceso de energía sin comprometer la estabilidad.
• Viabilidad Industrial: Al demostrar un despliegue eficiente en GPU con ONNX Runtime y un costo computacional marginal, el enfoque sugiere que los modelos de cierre basados en ML pueden integrarse en flujos de trabajo de producción, no solo en investigación académica.
• Generalización: La capacidad de transferir un modelo entrenado en turbulencia isotrópica a flujos en canal sin reentrenamiento sugiere que la relación constitutiva aprendida entre gradientes locales y estrés SGS es más universal de lo que se pensaba, abriendo nuevas vías para modelos de turbulencia más robustos y menos dependientes de la calibración específica del flujo.

En conclusión, los autores presentan un marco viable y preciso para sustituir los cierres de viscosidad tradicionales en LBM por closures neuronales restringidos por física, logrando una mayor fidelidad física manteniendo la eficiencia computacional.