Information-Based Symbolic Regression of Local Closures for RANS Transition Modeling

En el mundo de la aerodinámica, el aire que fluye sobre un ala o una pala de turbina no siempre se comporta de la misma manera. Al inicio de su trayectoria, el aire se mueve en capas suaves y ordenadas, un estado conocido como flujo laminar. Pero a medida que viaja, estas capas pueden romperse repentinamente en un caos de remolinos, un estado llamado turbulencia. Este cambio, conocido como transición, es un momento crítico. Cambia cuánta fricción ejerce el aire sobre la superficie, cómo se transfiere el calor y, en última instancia, cuánta sustentación o resistencia experimenta un objeto. Para los ingenieros que diseñan desde turbinas eólicas hasta motores de reacción, predecir exactamente dónde y cuándo ocurre este cambio es uno de los desafíos más persistentes de la física moderna.

Para simular estos flujos en una computadora, los científicos utilizan un conjunto de ecuaciones que promedian las fluctuaciones diminutas y rápidas de la turbulencia. Sin embargo, estas ecuaciones promediadas tienen un punto ciego: no pueden ver naturalmente la transición del flujo suave al caótico. Para solucionar esto, los ingenieros añaden reglas adicionales, llamadas "cierres", que actúan como sensores locales. Estos sensores intentan adivinar el estado del flujo utilizando solo la información disponible en un solo punto, en lugar de observar todo el campo de flujo. El problema es que estas reglas existentes suelen ser aproximaciones toscas, construidas sobre datos antiguos y suposiciones simplificadas. Funcionan lo suficientemente bien para algunas situaciones, pero pueden fallar cuando las condiciones cambian, lo que conduce a predicciones inexactas para aeronaves o maquinaria.

Un equipo de investigadores de España y Francia ha analizado ahora estas nuevas perspectivas sobre estos sensores locales. En lugar de confiar en el método tradicional de ensayo y error o en modelos computacionales complejos e inexplicables, utilizaron un método que combina la teoría de la información con la regresión simbólica. Piense en esto como una forma de dejar que los datos hablen por sí mismos, buscando la frase matemática más simple y precisa que describa la realidad física. Al analizar una vasta biblioteca de soluciones de flujo de fluidos idealizadas, descubrieron nuevas formas más precisas de calcular el estado local del aire. Luego, probaron estas nuevas fórmulas en una simulación completa de una placa plana, un caso de prueba estándar en aerodinámica. Los resultados mostraron que, si bien las nuevas fórmulas eran mucho más precisas al describir la física local, su éxito al predecir el momento real de la transición dependía fuertemente de las condiciones específicas del flujo, revelando que mejorar una parte de un sistema complejo no siempre garantiza un mejor resultado general.

Los investigadores comenzaron su trabajo creando un entorno controlado para estudiar la transición. Utilizaron una famosa familia de soluciones matemáticas conocidas como perfiles de Falkner-Skan. Estas soluciones describen cómo el aire fluye sobre una superficie plana bajo diferentes condiciones de presión, desde aire siendo empujado hacia adelante hasta aire siendo frenado. En este mundo teórico perfecto, los investigadores conocían la respuesta exacta para dos cantidades clave: el espesor de cantidad de movimiento, que mide cuánto se ha ralentizado el flujo de aire debido a la fricción, y un parámetro de gradiente de presión, que mide cómo cambia la presión a lo largo de la superficie. Estas cantidades son vitales para predecir la transición, pero en una simulación por computadora real, no están disponibles directamente. Los ingenieros suelen tener que estimarlas utilizando pistas locales, como la distancia a la pared o la velocidad del aire cercano.

El primer paso del equipo fue determinar qué pistas locales contenían la información más útil. Trataron el problema como una búsqueda de la señal más informativa. Utilizando una técnica basada en la teoría de la información, probaron miles de combinaciones posibles de variables locales para ver cuáles predecían mejor las respuestas exactas y conocidas de su base de datos teórica. Descubrieron que, para el parámetro de gradiente de presión, la pista más informativa era una combinación específica de cómo cambiaba la velocidad del aire perpendicularmente a la pared y el cuadrado de la distancia a la pared. Esto no fue una sorpresa, ya que coincidía con la estructura de la fórmula antigua existente, confirmando que la intuición anterior era físicamente sólida. Sin embargo, para el espesor de cantidad de movimiento, la búsqueda reveló un candidato mejor. El método tradicional dependía de una variable basada en la rotación del fluido, pero el nuevo análisis mostró que una relación simple que involucraba la velocidad local y la distancia a la pared era mucho más consistente y fiable en diferentes condiciones de flujo.

Con estas pistas superiores identificadas, los investigadores pasaron a la segunda etapa: encontrar la fórmula matemática exacta que conecta las pistas locales con los valores reales. Utilizaron una herramienta llamada regresión simbólica, que actúa como un alquimista digital. En lugar de forzar los datos en una forma preseleccionada, esta herramienta genera y prueba millones de posibles expresiones matemáticas, conservando solo aquellas que son tanto precisas como simples. El objetivo era encontrar una ecuación compacta que pudiera escribirse fácilmente en código computacional. El resultado fue un conjunto de nuevas fórmulas explícitas que reconstruyeron las cantidades físicas reales con una precisión mucho mayor que los métodos estándar. Para el parámetro de gradiente de presión, la nueva fórmula fue un polinomio complejo que capturó matices sutiles que la antigua fórmula lineal omitía. Para el espesor de cantidad de movimiento, la mejor fórmula resultó ser una relación lineal notablemente simple, que era tanto altamente precisa como fácil de implementar.

Sin embargo, la verdadera prueba no fue solo qué tan bien funcionaban estas fórmulas de forma aislada, sino cómo se desempeñaban al insertarse en una simulación completa y funcional de un modelo de transición. El equipo implementó sus nuevas fórmulas en un modelo de una sola ecuación estándar utilizado en software de ingeniería y realizó simulaciones de la serie ERCOFTAC T3, un famoso conjunto de experimentos que involucran aire fluyendo sobre una placa plana bajo diversas condiciones. Estos experimentos incluyeron casos con alta turbulencia, baja turbulencia y diferentes gradientes de presión. Los resultados fueron reveladores. En varios casos, particularmente aquellos con turbulencia moderada a alta o gradientes de presión fuertes, las nuevas fórmulas mejoraron la predicción de dónde ocurría la transición. La simulación coincidió más estrechamente con los datos experimentales que el modelo original.

No obstante, la historia no fue una victoria simple. En dos casos específicos que involucraban una intensidad de turbulencia muy baja, las nuevas fórmulas hicieron que las predicciones fueran peores. La transición se predijo demasiado pronto en un caso y demasiado tarde en el otro. Este resultado resaltó una lección crucial en el modelado complejo: mejorar un solo componente no arregla automáticamente toda la máquina. El modelo de transición es un delicado equilibrio de muchas partes que interactúan entre sí. Cuando los investigadores sustituyeron las fórmulas locales, alteraron el equilibrio de todo el sistema. En algunos escenarios, las nuevas y más precisas fórmulas locales expusieron debilidades en otras partes del modelo, como la forma en que el sistema estimaba la intensidad de la turbulencia entrante. Los investigadores señalaron que las reglas existentes para estimar esta intensidad de turbulencia podrían necesitar una actualización para coincidir con las nuevas y más precisas fórmulas locales. Sin tales ajustes, los beneficios de las nuevas fórmulas podrían perderse o incluso revertirse.

El estudio concluye que, si bien la regresión simbólica basada en la información es una herramienta poderosa para crear reglas locales más claras y precisas, no es una solución mágica que resuelva todo el problema del modelado de la transición. Las nuevas fórmulas proporcionan una representación más fiel de la física local, ofreciendo una base sólida para futuras mejoras. Sin embargo, los investigadores enfatizan que, para que estas nuevas reglas funcionen perfectamente en todas las situaciones, la arquitectura del resto del modelo puede necesitar una recalibración. El trabajo sugiere un camino a seguir donde los métodos basados en datos puedan refinar sistemáticamente los componentes básicos de los modelos de turbulencia, pero también sirve como un recordatorio de que, en el complejo mundo de la dinámica de fluidos, cada pieza debe encajar perfectamente para que el panorama completo emerja. Los investigadores planean extender su trabajo a flujos tridimensionales más complejos y revisar las otras partes del modelo para ver si pueden mejorarse de la misma manera, con el objetivo de un futuro donde las predicciones de transición sean tan fiables y transparentes como la física que describen.