Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

Este artículo presenta un flujo de trabajo práctico que integra una red neuronal entrenada con datos de reometría experimental como un cierre de viscosidad dentro de un resolvedor de elementos finitos de Cahn–Hilliard–Navier–Stokes, validando con éxito el enfoque mediante la simulación precisa de la dinámica de ascenso y las formas de tintas de silicona no newtonianas sin requerir modificaciones en el resolvedor.

Lo esencial

Imagina que estás intentando simular cómo una gota de tinta espesa y viscosa se mueve a través de un baño de líquido. En el mundo real, esta tinta no se comporta como el agua; es "no newtoniana". Esto significa que su espesor (viscosidad) cambia dependiendo de qué tan rápido la agites o la exprimas. Si la empujas con fuerza, podría volverse más fluida (como el kétchup) o más espesa (como el almidón de maíz y el agua).

Tradicionalmente, los científicos de la computación que intentan simular esto tienen que adivinar una fórmula matemática específica (como una ecuación de "Carreau–Yasuda") para describir cómo se comporta la tinta. Pero si inventas una nueva tinta, tienes que detenerte, derivar una nueva fórmula y reescribir el código de la computadora cada vez. Es como intentar conducir un coche donde tienes que reconstruir manualmente el motor cada vez que cambias el tipo de combustible.

Este artículo presenta una forma más inteligente y flexible de hacerlo utilizando Inteligencia Artificial (IA).

El "Sustituto Inteligente" (La Red Neuronal)

En lugar de obligar a la computadora a usar una fórmula matemática rígida, los investigadores entrenaron una "red neuronal" (un tipo de cerebro de IA) para que actúe como un sustituto inteligente del comportamiento de la tinta.

1. Aprendizaje por Experiencia: Tomaron datos del mundo real de una máquina que medía cómo reaccionaban sus tintas de silicona específicas al ser agitadas a diferentes velocidades.
2. El Entrenamiento: Le enseñaron a la IA a observar la velocidad de la agitación y predecir exactamente qué tan espesa sería la tinta en ese momento.
3. La Regla de "Suavidad": Para asegurar que la IA no se confundiera o hiciera conjeturas salvajes e irreales (como predecir que la tinta se convierte instantáneamente en roca sólida), añadieron una regla llamada "regularización de Lipschitz". Piensa en esto como un límite de velocidad para el aprendizaje de la IA. Obliga a la IA a hacer predicciones suaves y graduales en lugar de una de dentada y errática.

El "Traductor Universal" (ONNX)

Usualmente, si entrenas una IA, tienes que reescribir tu software de simulación física para que entienda esa IA específica. Eso es lento y propenso a errores.

Los investigadores utilizaron un formato llamado ONNX (Open Neural Network Exchange). Imagina esto como un traductor universal o una unidad USB estándar. Guardaron su IA entrenada en este formato. Ahora, el software de simulación física simplemente puede "conectar" el archivo de la IA y preguntarle: "Oye, ¿cuál es la viscosidad a esta velocidad?" sin necesidad de ser reescrito. La IA hace el trabajo pesado y el software de simulación solo escucha.

La Prueba de Manejo: La Burbuja Ascendente

Para demostrar que este sistema funciona, realizaron dos tipos de pruebas:

1. La Prueba del "Libro de Texto": Simularon una burbuja ascendiendo en un fluido donde ya conocían la fórmula matemática exacta. Compararon su simulación impulsada por IA contra la matemática conocida.

   • Resultado: La IA coincidió perfectamente con las matemáticas. Demostró que el sistema de "conectar y usar" funciona.

2. La Prueba del "Mundo Real": Crearon dos mezclas de tinta de silicona reales en un laboratorio. Filmaron estas gotas de tinta ascendiendo a través de un líquido especial (perfluorodec alineo) usando una cámara de alta velocidad.

   • Alimentaron la simulación con los datos reales del laboratorio.
   • Dejaron que la computadora simulara el ascenso de las gotas.
   • Resultado: La simulación por computadora predijo la velocidad y la forma de las gotas ascendentes casi exactamente como aparecían en el video de la vida real. Las gotas simuladas se veían como las gotas reales y ascendían a la misma velocidad.

Por qué esto importa (Según el artículo)

El artículo afirma que esto es un camino práctico hacia la fabricación aditiva (como la impresión 3D). Cuando se imprime con materiales complejos (como las tintas utilizadas en el Procesamiento de Luz Digital o la Escritura Directa de Tinta), el comportamiento del material es difícil de predecir.

Este nuevo flujo de trabajo permite a los ingenieros:

• Tomar datos reales de laboratorio de un nuevo material.
• Entrenar un modelo de IA pequeño con ellos.
• Conectar ese modelo directamente en una simulación para ver cómo fluirá el material durante la impresión.

En resumen: Construyeron un sistema donde no necesitas ser un matemático para describir el comportamiento de un fluido. Simplemente lo mides, entrenas una pequeña IA y dejas que la computadora descubra el resto, manteniendo la simulación funcionando de manera fluida y precisa.

Resumen técnico

Resumen Técnico: Cierre de Viscosidad basado en Redes Neuronales para Flujos Multifásicos No Newtonianos

Planteamiento del Problema
Los materiales utilizados en la fabricación aditiva basada en polímeros, como la Litografía de Luz Digital (DLP) y la Escritura Directa de Tinta (DIW), exhiben típicamente una reología no newtoniana compleja. Si bien los modelos constitutivos estándar, como las formulaciones de Carreau–Yasuda o de ley de potencia, describen eficazmente comportamientos básicos de pseudoplasticidad (shear-thinning) o dilatancia (shear-thickening), poseen limitaciones significativas. Sus formas funcionales fijas y de baja dimensionalidad requieren que los investigadores deriven nuevas ecuaciones y las implementen nuevamente dentro de los resolvedores de flujo para cada nuevo sistema de materiales o comportamiento reológico (por ejemplo, viscoelasticidad, tixotropía). Además, los ajustes empíricos no siempre garantizan la credibilidad física, y los sustitutos basados en datos (surrogates) requieren una regularización cuidadosa para evitar oscilaciones no físicas al integrarse en resolvedores de alta fidelidad. Existe una falta de flujos de trabajo establecidos que desplieguen sustitutos constitutivos entrenados con reometría experimental directamente dentro de resolvedores de flujo multifásico sin la modificación del resolvedor.

Metodología
Los autores presentan un flujo de trabajo de despliegue que integra una red neuronal (NN) entrenada con datos de reometría experimental como un cierre de viscosidad dentro de un resolvedor de elementos finitos de Cahn–Hilliard–Navier–Stokes (CHNS). La metodología consta de tres componentes principales:

1. Formulación y Entrenamiento de la Red Neuronal:

   • Se entrena una red neuronal de alimentación hacia adelante (feedforward) totalmente conectada para mapear la tasa de deformación local ($\dot{\gamma}$) con la viscosidad ($\eta$).
   • Para asegurar que la función aprendida sea apta para su uso como un cierre constitutivo, se aplica regularización de Lipschitz durante el entrenamiento. Esto añade una penalización sobre el gradiente de entrada a la función de pérdida, acotando la derivada de la salida de la red. Esto evita que la red se sobreajuste al ruido con funciones altamente oscilatorias y asegura predicciones suaves y físicamente plausibles, particularmente durante la extrapolación fuera del rango de tasas de deformación de entrenamiento.
   • La arquitectura de la red consiste en dos capas ocultas con 64 neuronas cada una, utilizando activaciones de tangente hiperbólica (Tanh). El entrenamiento se realiza en espacio log–log para manejar datos que abarcan varias décadas.

2. Integración del Resolvedor vía ONNX:

   • La red neuronal entrenada se exporta al formato Open Neural Network Exchange (ONNX).
   • El resolvedor CHNS consulta la red en tiempo de ejecución a través del entorno de ejecución de ONNX en cada iteración. El resolvedor pasa la tasa de deformación local al modelo y recibe la viscosidad correspondiente.
   • Este enfoque permite la integración de modelos constitutivos neuronales en marcos de flujo multifásico existentes sin modificar el código del resolvedor o reimplementar la arquitectura de la red dentro del entorno C++/Fortran del resolvedor.

3. Marco Numérico:

   • El resolvedor utiliza una estrategia de pasos de tiempo de iteración por bloques, resolviendo las ecuaciones de Cahn–Hilliard seguidas de las ecuaciones de Navier–Stokes.
   • El marco emplea una infraestructura de Refinamiento de Malla Adaptativa (AMR) basada en octrees y paralela para concentrar la resolución en la interfaz fluida, resolviendo eficientamente los gradientes pronunciados en las fronteras de fase.

Contribuciones Clave

• Flujo de Trabajo de Despliegue: El artículo establece un camino práctico para desplegar sustitutos reológicos entrenados experimentalmente dentro de resolvedores de elementos finitos usando ONNX, eliminando la necesidad de modificar el resolvedor.
• Regularización de Lipschitz: Se demuestra que la aplicación de la regularización de Lipschitz durante el entrenamiento es un mecanismo crítico para producir predicciones de viscosidad suaves adecuadas para cierres constitutivos, abordando el riesgo de oscilaciones no físicas en modelos basados en datos.
• Validación en Datos Sintéticos y Reales: El flujo de trabajo se valida tanto con benchmarks sintéticos (leyes analíticas de Carreau–Yasuda) como con datos experimentales reales (formulaciones de tintas de silicona), demostrando robustez a través de comportamientos constitutivos monotónicos y no monotónicos.

Resultos
El estudio valida el marco a través de dos conjuntos primarios de experimentos:

1. Validación de Benchmark (Datos Sintéticos):

   • El resolvedor fue probado contra casos de referencia de ascenso de burbujas en fluidos pseudoplásticos (Pang y Lu [26]) con variaciones en los índices de la ley de potencia y números de Weber.
   • Las simulaciones utilizando el cierre de la red neuronal (entrenada con datos sintéticos de Carreau–Yasuda) produjeron formas de burbuja y velocidades de ascenso visualmente indistinguibles de aquellas que utilizan el cierre analítico de Carreau–Yasuda.
   • Los resultados de la red neuronal también coincidieron con los valores de la literatura de referencia, confirmando la consistencia del resolvedor y la fidelidad del proceso de la red neuronal.
   • Se modeló con éxito una ley constitutiva no monotónica sintética (pseudoplasticidad seguida de dilatancia), con la red neuronal reproduciendo los resultados analíticos sin cambios arquitectónicos.

2. Validación Experimental (Datos Reales):

   • Dos formulaciones de tinta de silicona (Material A y B con diferentes contenidos de sílice fumed) fueron caracterizadas mediante reometría.
   • Se registraron la dinámica de ascenso de gotas mediante video de alta velocidad en un baño de perfluorodecailina.
   • Las redes neuronales fueron entrenadas con los datos del reómetro experimental y se utilizaron para simular el ascenso de estas gotas.
   • Acuerdo de Forma: Las formas de las gotas en estado estacionario simuladas concordaron con las observaciones experimentales. Las distancias de Hausdorff oscilaron entre 0.044 y 0.079, y las distancias de Chamfer entre 0.040 y 0.062 (normalizadas por el tamaño promedio de la gota), lo que indica desviaciones dentro de aproximadamente un 4–8% del tamaño de la gota.
   • Acuerdo de Velocidad: Las velocidades de ascenso simuladas se situaron dentro de la dispersión medida experimentalmente para los cuatro casos independientes (dos materiales, dos calibres de aguja).
   • Costo Computacional: El costo de inferencia de la red neuronal fue insignificante en comparación con los costos de álgebra lineal de las soluciones de Navier–Stokes y Cahn–Hilliard.

Significancia
El artículo afirma contribuir a la creciente literatura sobre la integración de cierres constitutivos neuronales en simulaciones multifísicas. Demuestra un método práctico y ajeno al resolvedor (solver-agnostic) para reemplazar las leyes constitutivas paramétricas tradicionales con sustitutos basados en datos entrenados con mediciones experimentales. Al reproducir con éxito la dinámica de ascenso compleja y las formas de las gotas para materiales reales sin requerir nuevas derivaciones analíticas o reescrituras del resolvedor, este trabajo proporciona una vía viable para simular flujos no newtonianos multifásicos en la fabricación aditiva y otras aplicaciones donde la reología del material es compleja o difícil de capturar con formas funcionales estándar. Los autores enfatizan que la regularización de Lipschitz es esencial para asegurar la estabilidad y la plausibilidad física de estos cierres basados en datos dentro del resolvedor.