Resumen Técnico: Ruptura de la Interfaz de Aprendizaje

Planteamiento del Problema

El diseño de boquillas de pulverización requiere predecir cómo la geometría de la boquilla influye en la ruptura del flujo bifásico transitorio. Aunque las simulaciones de alto rendimiento de Volumen de Función (VOF) con Refinamiento de Malla Adaptativa (AMR) pueden modelar estos fenómenos con precisión, son computacionalmente prohibitivas para la exploración iterativa del diseño. Una única solución directa puede tardar horas en CPUs multinúcleo debido a la necesidad de pasos de tiempo pequeños para resolver interfaces delgadas y de evolución rápida, así como al acoplamiento rígido entre las ecuaciones de Navier-Stokes, la advección de VOF y la tensión superficial.

Los modelos de sustitución neuronal estándar enfrentan desafíos únicos en este entorno:

1. Discretización Dinámica: La malla AMR subyacente evoluciona con el tiempo y cambia con la geometría, lo que hace que las representaciones de rejilla fija sean insuficientes.
2. Dinámicas Complejas: Los flujos multifásicos implican discontinuidades, cambios de topología y dinámicas de interfaz altamente no lineales.
3. Acoplamiento Geometría-Flujo: Los enfoques existentes suelen condicionarse a la geometría en entornos simplificados y de estado estacionario, o aprenden representaciones latentes de dinámicas complejas sin un condicionamiento geométrico explícito. Existe una falta de representaciones conjuntas que capturen simultáneamente la geometría de la boquilla y la evolución transitoria multifásica.

Metodología

Los autores proponen un sustituto latente condicionado por la geometría entrenado en 797 simulaciones de boquillas bifásicas. La innovación central es codificar el campo de densidad de celdas AMR (un sustituto de dónde el solver concentra la resolución) en lugar del estado de flujo completo de múltiples canales. Esto transforma la discretización adaptativa de un subproducto computacional en una señal aprendible.

La arquitectura consta de dos etapas:

Etapa 1: Representación Latente Compartida (VAE)

Esta etapa aprende un vector latente compacto e independiente del tiempo $z$ que acopla la geometría de la boquilla y la evolución del flujo transitorio.

• Codificador: Un Operador Neuronal de Fourier (FNO) mapea un único instantáneo de densidad ($\kappa$) a parámetros latentes $(\mu, \log \sigma^2)$. El codificador es ciego al tiempo.
• Decodificador (Flujo): Un decodificador SIREN (Red de Representación Sinusoidal) condicionado en el tiempo reconstruye la evolución de la densidad transitoria $\hat{\kappa}(x, y; t)$ a partir del código latente $z$, el tiempo $t$ y las coordenadas espaciales. Utiliza condicionamiento FiLM con características de Fourier espaciales multiescala y características temporales sinusoidales.
• Cabezal de Geometría: Una Representación Neuronal Implícita (INR) de 1D decodifica los límites de la pared de la boquilla ($y_{upper}(x), y_{lower}(x)$) a partir del mismo código latente $\mu$.
• Entrenamiento: El modelo se entrena de extremo a extremo utilizando únicamente la supervisión de la densidad y la pared de la boquilla, utilizando una función de pérdida que incluye el error de reconstrucción, el error de geometría y una penalización de divergencia KL de bits libres para prevenir el colapso de la posterior.

Etapa 2: Predictor de Campo

Un U-Net ligero se entrena por separado para mapear la densidad reconstruida $\hat{\kappa}$ a las variables de flujo restantes: fracción de volumen ($f$) y velocidades ($u, v$). Esta etapa opera bajo el supuesto de que la densidad actúa como una señal espacial dispersa que condiciona los campos de velocidad y fracción de volumen definidos globalmente.

Estrategias de Inferencia

El marco soporta dos rutas de inferencia:

1. Basada en Instantáneas (Snapshots): Dada una instantánea de densidad, el codificador produce $z$, que luego se recorre a través del tiempo para reconstruir la trayectoria completa.
2. Solo Geometría: Dada una geometría de boquilla objetivo $g^*$ sin una instantánea de flujo, el latente $z^*$ se recupera mediante optimización restringida en el espacio latente para minimizar la distancia entre la geometría decodificada y $g^*$.

Contribuciones Clave

1. Densidad de Celdas AMR como Representación: El artículo introduce el campo de densidad de celdas AMR como una representación informada por el solver para el modelado de sustitución de flujos bifásicos condicionados por la geometría, aprovechando la estructura de malla adaptativa como un sustituto compacto de la complejidad del flujo.
2. Acoplamiento Latente Compartido: Se propone una representación latente compartida que acopla la geometría de la boquilla y la evolución del flujo transitorio. Esto permite la reconstrucción geométrica y la decodificación de flujo dependiente del tiempo a partir de un único código compacto. Crucialmente, permite la recuperación de un latente utilizable únicamente desde la geometría mediante optimización restringida.
3. Inferencia de un Solo Paso Eficiente: El método demuestra una inferencia de sustitución rápida de un solo paso (sin despliegue autorregresivo), reduciendo el tiempo de predicción de la trayectoria de horas de CPU a milisegundos, preservando al mismo tiempo las dinámicas clave de la interfaz.

Resultados

El modelo fue evaluado en 81 simulaciones de prueba (aproximadamente 3,155 instantáneas) con una división estricta a nivel de simulación.

• Precisión de Reconstrucción:
  • Densidad: Logró un Error Cuadrático Medio (MSE) de prueba de $2.74 \times 10^{-3}$ (PSNR 30.2 dB).
  • Geometría: Decodificó las paredes de la boquilla con un Error Absoluto Medio (MAE) de $1.13 \times 10^{-2}$ en coordenadas físicas.
  • Campos de Flujo: El U-Net de la Etapa 2 logró MSE de prueba de $1.33 \times 10^{-3}$ para la fracción de volumen, $2.50 \times 10^{-3}$ para la velocidad en la dirección del flujo ($u$) y $1.60 \times 10^{-3}$ para la velocidad transversal ($v$).
• Aceleración: El tiempo de inferencia es de aproximadamente 0.045 segundos por trayectoria en una GPU Apple M4, lo que representa una aceleración de más de $6 \times 10^4$ en relación con el solver CFD de referencia Basilisk (que toma 45–90 minutos en 12 núcleos de CPU).
• Generalización vs. Vecino Más Cercano: El sustituto superó a una línea base de vecino más cercano (basada en la distancia geométrica) por aproximadamente 2 veces en el MSE medio en todos los canales, lo que indica que aprendió mapeos no triviales de geometría-a-flujo en lugar de una simple recuperación de forma.
• Inversión Solo de Geometría: Al recuperar el latente únicamente a partir de la geometría (sin una instantánea de flujo), el método cerró el 55% de la brecha de rendimiento en comparación con un oráculo del codificador que tenía acceso a la instantánea de densidad real.

Significancia y Reivindicaciones

El artículo afirma que la estructura de refinamiento AMR puede servir como una representación compacta y aprendible para el modelado de sustitución de flujos bifásicos transitorios condicionados por la geometría. Al codificar la propia estrategia de resolución del solver, el modelo evita la necesidad de aprender directamente el estado completo de alta dimensión.

Los autores posicionan este trabajo como un paso fundamental hacia flujos de trabajo de diseño impulsados por la geometría en sistemas multifásicos. Argumentan que tales representaciones latentes compartidas son un bloque de construcción natural para el diseño inverso, donde la geometría y la dinámica están intrínsecamente acopladas.

Limitaciones y Alcance:
Los autores son modestos respecto al alcance de sus afirmaciones:

• Los datos de entrenamiento se limitan a 797 simulaciones dentro de una familia específica de boquillas NURBS de tres parámetros y un único régimen de Reynolds–Weber.
• El predictor de la Etapa 2 se entrena de forma independiente, lo que significa que los errores en la reconstrucción de la densidad se propagan a las predicciones de velocidad y fracción de volumen.
• La representación está ligada al solver específico (Basilisk) y a la estrategia de refinamiento utilizada; la transferibilidad a otros solvers aún no se ha establecido.
• Se señala que la validación contra ejecuciones independientes de CFD o mediciones experimentales es necesaria para el uso operativo, pero esto queda fuera del alcance actual.

El trabajo futuro se identifica como la extensión hacia espacios de diseño de mayor dimensión, la adición de cabezales para observables de distribución de gotas y la validación de diseños optimizados mediante simulaciones independientes de alta fidelidad para cerrar el ciclo entre el diseño aprendido y la realidad física.