Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

Este trabajo propone un marco de programación genética de expresión filtrado por residuo y realizabilidad que integra restricciones físicas directamente en el bucle de solución de la dinámica de fluidos computacional para descubrir eficientemente modelos de cierre de turbulencia estables y físicamente consistentes para flujos de estela, logrando reducciones significativas en el costo computacional y en resultados no realizables, al tiempo que demuestra una generalización robusta a través de geometrías diversas.

Lo esencial

Imagina que estás intentando enseñar a un robot a predecir cómo gira el humo detrás de un coche o un barco. Este es un problema llamado "modelado de turbulencia". Los científicos utilizan matemáticas complejas (simulaciones) para hacerlo, pero las matemáticas estándar que emplean son como un instrumento contundente: a menudo se equivocan en los detalles, especialmente en la estela desordenada detrás de un objeto.

Para solucionar esto, los investigadores de este artículo utilizaron Aprendizaje Automático para inventar una nueva fórmula matemática, más inteligente. Sin embargo, enseñar a una máquina a inventar fórmulas físicas es complicado. Si dejas que la máquina actúe sin control, a menudo crea fórmulas que parecen buenas en el papel, pero que hacen que la simulación por computadora se bloquee, se congele o produzca "fantasmas" (resultados que violan las leyes de la física).

Así es como el artículo resuelve este problema, explicado de forma sencilla:

1. El Problema: El aprendiz "salvaje"

Piensa en el proceso de aprendizaje automático como un profesor que intenta entrenar a 256 estudiantes (fórmulas candidatas) para resolver un rompecabezas.

• La Vieja Forma (Línea Base): El profesor deja que cada estudiante trabaje en el rompecabezas durante mucho tiempo (miles de pasos). Si la respuesta de un estudiante hace que el aula explote (la computadora se bloquea) o si escriben un número que es físicamente imposible (como energía negativa), el profesor solo se entera después de que el estudiante haya desperdiciado horas de trabajo. Esto es increíblemente lento y costoso.
• El Problema: Muchas de estas fórmulas "malas" son matemáticamente inestables o "no realizables" (rompen las reglas de la realidad), pero la computadora no lo sabe hasta que es demasiado tarde.

2. La Solución: El "Control de Seguridad de Tres Etapas"

Los autores crearon un nuevo sistema llamado RR-GEP. En lugar de dejar que cada estudiante trabaje hasta el final, instalaron un estricto punto de control de seguridad con tres puertas. Si un estudiante falla en una puerta, es expulsado inmediatamente, ahorrando tiempo y energía.

• Puerta 1: La verificación de "¿Se está explotando?" (Verificación de Residuos)
  Imagina que un estudiante está resolviendo un problema matemático. Si sus números comienzan a saltar salvajemente o a hacerse enormes, el profesor los detiene inmediatamente. Esto detecta las fórmulas que hacen que la computadora se bloquee.
• Puerta 2: La verificación de "¿Estás mejorando?" (Verificación de Convergencia)
  Si los números no están explotando, el profesor pregunta: "¿Te estás acercando a la respuesta?". Si el estudiante está atrapado en un bucle, sin hacer progreso, se le envía a casa. Esto detiene las fórmulas que simplemente pierden el tiempo sin resolver nada.
• Puerta 3: La verificación de "¿Tiene sentido?" (Verificación de Realizabilidad)
  Esta es la característica nueva más importante. Incluso si un estudiante está resolviendo las matemáticas correctamente y no se bloquea, su respuesta podría seguir siendo imposible en el mundo real.
  • La Analogía: Imagina que un estudiante dice: "El viento sopla a 100 mph, pero el aire tiene peso negativo". Las matemáticas podrían ser correctas, pero la física es errónea.
  • Los investigadores utilizan un mapa especial (llamado Mapa Baricéntrico) para verificar si la respuesta del estudiante cabe dentro del "Triángulo de la Realidad". Si la respuesta cae fuera de este triángulo, se rechaza instantáneamente. Esto asegura que la nueva fórmula respete las leyes fundamentales de la física.

3. Los Resultados: Más rápido y más inteligente

Al utilizar este filtro de tres etapas, los investigadores lograron algunos resultados impresionantes:

• Velocidad: Redujeron el tiempo necesario para entrenar la IA en un 42%. Dejaron de perder el tiempo en fórmulas que estaban condenadas a fallar.
• Calidad: En el método antiguo, casi el 60% de las fórmulas finales eran físicamente imposibles ("no realizables"). En su nuevo método, redujeron esto a menos del 2%.
• Rendimiento: Las fórmulas que encontraron no solo eran estables; en realidad eran mejores para predecir la "estela" (el aire/agua en remolino) detrás de los objetos. Predijeron el tamaño de la zona de remolino con mayor precisión que los métodos estándar antiguos.

4. ¿Funciona en otras cosas?

Los investigadores entrenaron a la IA en un cilindro circular simple (como un tubo que sobresale del agua). Luego, la probaron en formas completamente diferentes:

• Un cilindro rectangular (como un ladrillo).
• Un perfil alar (el ala de un avión).
• Una forma de submarino (DARPA Suboff).

Aunque la IA solo fue entrenada en el tubo redondo, predijo con éxito la estela para el ladrillo, el ala y el submarino. No solo memorizó el tubo; aprendió las reglas subyacentes de cómo funciona la turbulencia, y mantuvo esas reglas "reales" (físicamente posibles) en todas estas nuevas situaciones.

Resumen

El artículo presenta una nueva forma de enseñar a las computadoras a inventar fórmulas físicas. En lugar de dejar que la computadora adivine a ciegas y esperar a que no se bloquee, establecieron tres "barreras de seguridad". Estas barreras evitan que la computadora pierda el tiempo en malas ideas y aseguran que cada fórmula final que invente obedezca las leyes de la física. Esto hace que el proceso sea más rápido, más barato y mucho más fiable para predecir cómo se mueven los fluidos alrededor de los objetos.

Resumen técnico

Resumen Técnico: Aprendizaje Automático con Restricciones de Realizabilidad para Cierres de Turbulencia en Flujos de Estela

Enunciado del Problema
Los marcos de aprendizaje automático impulsados por Dinámica de Fluidos Computacional (CFD), particularmente aquellos que utilizan regresión simbólica mediante Programación de Expresión Genética (GEP), ofrecen una vía prometedora para descubrir modelos de turbulencia explícitos e interpretables físicamente. Sin embargo, estos marcos enfrentan limitaciones significativas en cuanto a inestabilidad numérica y admisibilidad física. Durante el proceso de entrenamiento, miles de modelos de cierre candidatos se incrustan secuencialmente en solucionadores de las ecuaciones de Navier-Stokes promediadas de Reynolds (RANS). Una fracción no despreciable de estos candidatos provoca divergencia del solucionador, estancamiento de residuos o crecimiento no físico de las cantidades turbulentas. Tales comportamientos inestables a menudo se detectan solo después de miles de iteraciones, resultando en un desperdicio sustancial de recursos computacionales. Además, los marcos existentes rara vez hacen cumplir la "realizabilidad"—el requisito de que los esfuerzos de Reynolds modelados permanezcan físicamente admisibles (por ejemplo, energía cinética turbulenta positiva, anisotropía acotada)—durante el proceso de descubrimiento. En consecuencia, los cierres aprendidos pueden violar restricciones físicas fundamentales incluso si parecen mejorar el acuerdo del flujo medio con los datos de referencia, comprometiendo la robustez y la generalización.

Metodología
Los autores proponen un marco impulsado por CFD filtrado por residuos y realizabilidad integrado dentro de un paradigma GEP. Este enfoque introduce una capa de supervisión multifase directamente en el bucle de solución CFD para permitir la identificación y rechazo tempranos de modelos candidatos inestables y no realizables. La metodología consta de tres etapas de filtrado secuenciales aplicadas en conteos de iteraciones específicos ($N_1$ y $N_2$) antes de intentar la convergencia completa ($N_3$):

1. Etapa 1 (Residuo Absoluto): Después de $N_1$ iteraciones, los candidatos se rechazan si el residuo normalizado máximo de las ecuaciones gobernantes excede un umbral prescrito ($\epsilon_1 \approx 10^{-1}$). Esto filtra los modelos que causan divergencia inmediata.
2. Etapa 2 (Tasa de Reducción de Residuos): Los candidatos que superan la Etapa 1 se evalúan en $N_2$ iteraciones. Se rechazan si la tasa de reducción de residuos ($\Gamma$) entre $N_1$ y $N_2$ no cumple con un factor de mejora mínimo, o si la solución se estanca. Esto asegura que solo los modelos que demuestran una descomposición consistente de los residuos continúen.
3. Etapa 3 (Aplicación de Realizabilidad): Para los modelos que superan las verificaciones de residuos, se aplica una restricción basada en un mapa baricéntrico. Se calculan los valores propios del tensor de anisotropía normalizado y el estado resultante se mapea sobre un triángulo baricéntrico que representa estados de turbulencia límite (1C, 2C, 3C). Los candidatos se rechazan si sus pesos baricéntricos violan las restricciones de convexidad, permitiendo una pequeña tolerancia ($\epsilon_3$) escalada por el residuo efectivo para dar cuenta de una convergencia incompleta.

El marco se entrenó en una estela canónica de cilindro circular a $Re=3900$. La función de costo minimizó la discrepancia entre los perfiles de velocidad en la dirección del flujo de RANS y la Simulación de Grandes Remolinos (LES) en la estela, sin términos de penalización explícitos para estabilidad o realizabilidad, ya que estos se hicieron cumplir estrictamente mediante las etapas de filtrado. Los modelos resultantes fueron Modelos de Esfuerzos de Reynolds Algebraicos Explícitos (EARSM) aplicados específicamente en la región de la estela, mientras que la aproximación de Boussinesq se mantuvo en otras partes.

Contribuciones Clave

• Desarrollo de un Marco GEP Filtrado: El artículo introduce un novedoso algoritmo "GEP filtrado por Residuos de Realizabilidad" (RR-GEP) que integra verificaciones de estabilidad y realizabilidad directamente en el bucle evolutivo, distinguiéndolo de los enfoques impulsados por CFD "congelados" o estándar.
• Ganancias de Eficiencia: Al terminar candidatos improductivos temprano, el marco reduce significativamente el costo computacional del descubrimiento de modelos.
• Admisibilidad Física: El método hace cumplir explícitamente las restricciones de realizabilidad durante el entrenamiento, asegurando que los modelos descubiertos produzcan estados de esfuerzo de Reynolds físicamente consistentes.
• Validación de Generalización: El estudio valida la robustez de los modelos descubiertos en diversas geometrías y regímenes de flujo, incluyendo un cilindro rectangular, un perfil alar NACA 0012 y un cuerpo axisimétrico DARPA Suboff, en números de Reynolds que van desde $10^3$ hasta $10^6$.

Resultados

• Eficiencia Computacional: El marco RR-GEP logró una reducción del 42.3% en el costo computacional en comparación con el GEP impulsado por CFD de referencia (B-GEP). La tasa de rechazo de modelos fue del 37.8% en promedio para RR-GEP, con un 47.3% de candidatos rechazados en la primera generación solamente.
• Mejora en Realizabilidad: La estrategia de filtrado redujo drásticamente la prevalencia de modelos no realizables en la convergencia. Mientras que el 58.4% de los modelos convergidos en el marco B-GEP eran no realizables, esta cifra bajó al 1.7% para el marco RR-GEP.
• Precisión Predictiva: Los modelos RR-GEP mejoraron las predicciones de estela para el caso de entrenamiento (cilindro), reduciendo la longitud de la burbuja de separación de $x/D \approx 4.5$ (RANS de referencia) a $2.25$, coincidiendo estrechamente con los datos LES. Los modelos también demostraron una mejor predicción del esfuerzo cortante de Reynolds y la energía cinética turbulenta.
• Robustez y Generalización: Los modelos entrenados en el cilindro circular se generalizaron exitosamente a geometrías no vistas (cilindro rectangular, perfil alar, Suboff) y números de Reynolds significativamente más altos sin perder realizabilidad. Los modelos mantuvieron un comportamiento acotado de los coeficientes y trayectorias de anisotropía físicamente consistentes en todos los casos de prueba.
• Características del Modelo: El proceso de filtrado condujo a modelos con coeficientes escalares significativamente reducidos y estrictamente acotados en comparación con la referencia. Por ejemplo, la magnitud promedio del coeficiente $|\zeta_1|$ disminuyó de $\approx 2.73$ (B-GEP) a $\approx 1.76$ (RR-GEP), indicando una preferencia por formas funcionales más simples y controladas que evitan la amplificación de esfuerzos no físicos.

Significado
El artículo afirma que incorporar restricciones de realizabilidad y estabilidad directamente dentro del aprendizaje impulsado por CFD permite el descubrimiento eficiente de modelos de turbulencia que son tanto numéricamente robustos como físicamente consistentes. Al filtrar candidatos inestables y no realizables temprano, el marco reduce la carga computacional del descubrimiento de modelos mientras guía la búsqueda hacia soluciones físicamente admisibles. Los resultados demuestran que este enfoque ofrece una vía escalable para desarrollar cierres basados en datos confiables que se generalizan bien en diversas configuraciones de flujo y condiciones operativas, abordando una brecha crítica en los esfuerzos actuales de modelado de turbulencia basados en aprendizaje automático.