Bayesian neural network correction of RANS turbulence models with uncertainty quantification in separated flows

Este trabajo presenta un marco de redes neuronales bayesianas para corregir modelos RANS mediante la modificación de términos de energía cinética turbulenta y anisotropía, permitiendo cuantificar la incertidumbre en flujos con desprendimiento, aunque enfrenta desafíos de generalización ante configuraciones no vistas.

Lo esencial

El Problema: El "Mapa Borroso" de los Vientos

Imagina que quieres predecir cómo se moverá el aire alrededor de un coche de carreras o un ala de avión para que sea más eficiente. Los ingenieros usan un programa de computadora llamado RANS.

Podemos imaginar que el RANS es como un dibujante rápido. Es muy veloz y barato, pero cuando el aire se encuentra con un obstáculo (como el borde de un ala) y empieza a "despegarse" o a crear remolinos (lo que llamamos flujo separado), el dibujante se pone nervioso. En lugar de dibujar los remolinos con detalle, hace trazos borrosos y simplificados.

El problema es que esos "borrones" hacen que el ingeniero no sepa si el avión va a volar suavemente o si va a perder el control.

La Solución: El "Corrector Inteligente" con Conciencia de sus Errores

Los autores de este estudio decidieron no cambiar al dibujante (porque es demasiado lento y caro cambiarlo), sino darle un asistente inteligente basado en Inteligencia Artificial (una Red Neuronal Bayesiana).

Este asistente tiene dos trabajos principales:

1. El Corrector de Intensidad (El "Ajuste de Volumen")

Imagina que el dibujante RANS dice que el aire se mueve con una fuerza de "5", pero la realidad es que en los remolinos la fuerza es de "10". El primer corrector entra y dice: "Oye, aquí el aire está más agitado de lo que dibujaste, sube el volumen de la turbulencia". Esto ayuda a que el modelo entienda mejor la energía del aire.

2. El Corrector de Dirección (El "Ajuste de Ángulo")

El aire no solo tiene fuerza, sino que se mueve en direcciones muy complejas (hacia arriba, hacia los lados, girando). El RANS suele asumir que el aire se mueve de forma muy lineal y aburrida. El segundo corrector es como un experto en geometría que dice: "No solo subas el volumen, también gira el trazo hacia la izquierda porque el remolino está girando así". Esto es lo que realmente permite predecir dónde se separará el aire.

El Toque Maestro: La "Duda Sabia" (Incertidumbre)

Aquí es donde entra la parte "Bayesiana". La mayoría de las IA son muy arrogantes: te dan una respuesta y te dicen "esto es así, punto".

Esta IA es diferente; es humilde. Cuando el asistente corrige al dibujante, no solo dice: "El aire gira así", sino que también dice: "Creo que gira así, pero no estoy muy seguro, tengo un 20% de duda".

• En zonas conocidas: La IA dice: "Estoy segura de este trazo".
• En zonas nuevas o extrañas: La IA dice: "Aquí nunca he estado, así que mi corrección puede fallar, ten cuidado".

A esto los científicos lo llaman Cuantificación de la Incertidumbre. Es como tener un GPS que, en lugar de decirte "gira a la derecha" con total seguridad en medio de una tormenta, te dice: "Parece que es a la derecha, pero hay mucha niebla y podría estar equivocado".

¿Por qué es esto importante?

El estudio probó esto con dos modelos de flujo (una colina y un escalón). Los resultados mostraron que:

1. El corrector de dirección es el más importante: Sin él, no puedes predecir bien cómo se mueve el aire.
2. La IA sabe cuándo no sabe: Cuando la probaron con un diseño que nunca había visto, la IA "levantó la mano" y mostró que su incertidumbre aumentaba.

En resumen: Han creado un sistema que permite usar los métodos de cálculo rápidos de siempre, pero con un "asistente experto" que no solo corrige los errores, sino que nos avisa de cuándo sus correcciones podrían no ser fiables. Esto hace que el diseño de aviones, coches y turbinas sea mucho más seguro y preciso.

Resumen técnico

Resumen Técnico: Corrección de modelos de turbulencia RANS mediante Redes Neuronales Bayesianas con Cuantificación de Incertidumbre en Flujos Separados

1. El Problema: Limitaciones de RANS en Flujos Separados

Los métodos de Navier-Stokes promediados por Reynolds (RANS), aunque son el estándar industrial por su bajo costo computacional, presentan deficiencias críticas al predecir flujos con separación (como en alas con pérdida o difusores). El problema principal radica en las suposiciones de las clausuras de viscosidad de remolino lineal (como el modelo $k-\omega$ SST), las cuales asumen una relación lineal entre la anisotropía del esfuerzo de Reynolds y la tasa de deformación media. En regiones de separación, la turbulencia es altamente anisotrópica y está fuera de equilibrio, lo que provoca que RANS subestime los esfuerzos cortantes y falle en predecir los puntos de reenganche.

Aunque existen enfoques de aprendizaje profundo para corregir estos modelos, la mayoría son deterministas y carecen de una cuantificación de incertidumbre (UQ) robusta, lo que impide saber qué tan confiables son las correcciones en condiciones de flujo no vistas (fuera de distribución).

2. Metodología Propuesta

Los autores presentan un marco de trabajo basado en Redes Neuronales Bayesianas (BNN) para realizar correcciones conscientes de la incertidumbre. El enfoque se divide en varios componentes clave:

• Extracción de Discrepancias (Frozen-RANS): Utilizan un procedimiento de "RANS congelado" para aislar el error del modelo de turbulencia de los efectos numéricos. De aquí extraen dos tipos de correcciones:
  1. $k_{deficit}$ (Escalar): Una corrección en los términos de producción de la energía cinética turbulenta (TKE) para equilibrar el presupuesto de energía.
  2. $b^{\Delta}_{ij}$ (Tensorial): Una corrección de la anisotropía del tensor de esfuerzos de Reynolds mediante una expansión en una base de tensores invariantes (basada en el marco de Pope).
• Estrategia de Corrección Zonal (RITA): Para evitar degradar las zonas donde RANS ya es preciso (como las capas límite adheridas), emplean un clasificador basado en física llamado RITA (Relative Importance Term Analysis). Este clasificador identifica únicamente las capas de cortadura separadas para aplicar las correcciones.
• Arquitectura BNN Heterocedástica: Las redes no solo predicen la media de la corrección, sino también una desviación estándar dependiente de la entrada (incertidumbre aleatoria o ruido de los datos). Al tratar los pesos de la red como distribuciones probabilísticas, el modelo captura la incertidumbre epistémica (falta de conocimiento del modelo).
• Propagación de Incertidumbre: Utilizan un enfoque de Monte Carlo de realización congelada. Se generan múltiples muestras de los pesos de la BNN, se crean campos de corrección estocásticos y se propagan a través del solver RANS (OpenFOAM) para obtener un ensamble de soluciones de flujo.

3. Contribuciones Clave

1. Descomposición de la Incertidumbre: El marco permite separar la incertidumbre epistémica (del modelo) de la aleatoria (del ruido de los datos/flujo), proporcionando intervalos de confianza más realistas.
2. Corrección Dual (Escalar + Tensorial): Demuestran que la corrección de la TKE por sí sola no basta para mejorar el campo de velocidad; es indispensable la corrección de la anisotropía tensorial para capturar la recirculación.
3. Generalización Out-of-Distribution: El modelo es entrenado en un flujo de "colina periódica" (periodic hill) y probado en un caso no visto: el escalón con cara posterior curva (curved backward-facing step).

4. Resultados Principales

• En el caso de entrenamiento (Periodic Hill):
  • La corrección escalar ($k_{deficit}$) reproduce con alta precisión la TKE, pero tiene un impacto mínimo en la velocidad media.
  • La combinación de la corrección escalar y la tensorial ($b^{\Delta}_{ij}$) mejora drásticamente la predicción de la velocidad, capturando correctamente la zona de recirculación y el reenganche.
  • Las estimaciones de incertidumbre están bien calibradas (cercanas a los valores ideales de la distribución Gaussiana).
• En el caso de generalización (CBFS - Unseen):
  • El modelo logra mejorar la predicción de la velocidad y la TKE en comparación con el RANS base, demostrando capacidad de extrapolación.
  • Sin embargo, se observa una sub-cobertura (la incertidumbre real es mayor de lo que el modelo predice), lo que resalta el desafío de la cuantificación de incertidumbre cuando el flujo es significativamente distinto al de entrenamiento.
  • Se concluye que las discrepancias restantes no se deben a la red neuronal en sí, sino a las limitaciones de la formulación matemática de la corrección (el "techo" de precisión del modelo de base).

5. Significado e Impacto

Este trabajo marca un avance hacia la CFD (Dinámica de Fluidos Computacional) basada en datos que sea físicamente consistente y estadísticamente confiable. Al integrar la física de tensores invariantes con la flexibilidad de las redes bayesianas, el marco ofrece una vía para que los ingenieros utilicen modelos corregidos por IA sabiendo exactamente en qué regiones del flujo los resultados son altamente confiables y en cuáles el modelo está operando en su límite de conocimiento.