Development of Rheological Constitutive Modeling Method Using a Sparse Identification Algorithm: A Case Study for Extensional Flows

Cette étude valide l'applicabilité du cadre Rheo-SINDy aux écoulements extensionnels en démontrant sa capacité à retrouver avec précision le modèle de Giesekus et à dériver un modèle constitutif prédictif approximatif pour des données de billes FENE à partir d'une bibliothèque conçue manuellement.

L'essentiel

Imaginez que vous essayez d'enseigner à un robot comment prédire le comportement d'un fluide collant et élastique (comme du fromage fondu ou une solution de polymère) lorsqu'on l'étire. On appelle cela un « écoulement extensionnel ».

Habituellement, les scientifiques doivent écrire à la main des équations mathématiques très complexes pour décrire ce comportement. Mais dans cet article, les auteurs ont essayé une approche différente : ils ont laissé un ordinateur « apprendre » les règles directement à partir des données, en utilisant une méthode appelée Rheo-SINDy.

Voici un résumé simple de ce qu'ils ont fait et de ce qu'ils ont découvert, en utilisant des analogies du quotidien :

1. L'Objectif : Enseigner au robot les « règles de la route »

Considérez le fluide comme une voiture et l'écoulement comme la route. Les scientifiques veulent connaître les lois exactes de la physique (le modèle constitutif) qui indiquent à la voiture comment se déplacer lorsque la route s'étire.

• L'Ancienne Méthode : Les experts rédigent le code de la route basé sur la théorie.
• La Nouvelle Méthode (Cet Article) : L'ordinateur examine une masse considérable de données de conduite et tente de déduire le code de la route lui-même en trouvant le motif le plus simple qui correspond.

2. L'Outil : Un détective « parcimonieux »

La méthode utilisée s'appelle l'Identification parcimonieuse. Imaginez que vous êtes un détective essayant de résoudre un crime. Vous avez une liste gigantesque de 1 000 suspects possibles (variables).

• La plupart des détectives pourraient accuser tout le monde.
• Ce détective « parcimonieux » est très sélectif. Il sait que généralement, seuls deux ou trois individus sont réellement impliqués. Il utilise un algorithme spécial pour ignorer les 997 suspects innocents et trouver la poignée de véritables coupables qui expliquent le crime.
• Dans cette étude, le « crime » est le mouvement du fluide, et les « suspects » sont des termes mathématiques (comme la contrainte, la vitesse et leurs combinaisons).

3. L'Essai Routier : Deux Scénarios

Pour vérifier si leur méthode de détective fonctionne, ils ont mené deux tests en utilisant des données générées par ordinateur (simulations) :

Test A : Le Puzzle « Parfait » (Le Modèle de Giesekus)

• Le Déroulement : Ils ont créé des données en utilisant une règle mathématique parfaite et connue (le modèle de Giesekus).
• Le Défi : L'ordinateur pourrait-il examiner les données et redécouvrir le code de la route exact qui les a générées ?
• Le Résultat : Oui ! L'ordinateur a trouvé avec succès l'équation exacte, prouvant que la méthode fonctionne lorsque la réponse est déjà connue. C'est comme donner à un élève un problème de mathématiques avec la feuille de réponses, et le voir reconstruire parfaitement les étapes pour obtenir cette réponse.

Test B : Le Puzzle « Mystère » (Le Modèle de la Dumbbell FENE)

• Le Déroulement : Ils ont utilisé un modèle plus complexe (dumbbell FENE) qui décrit comment de minuscules chaînes de polymères s'étirent. Ce modèle est si compliqué que les scientifiques ne peuvent pas écrire un code de la route simple et exact pour lui.
• Le Défi : L'ordinateur pourrait-il examiner les données désordonnées et créer une bonne approximation (une « feuille d'astuces ») qui agit comme la réalité ?
• Le Résultat : Oui, pour l'essentiel. L'ordinateur n'a pas trouvé l'équation « parfaite » (car elle n'existe pas sous une forme simple), mais il a trouvé une équation simple et courte qui prédisait très bien le comportement du fluide.
  • Elle fonctionnait si bien qu'elle pouvait prédire ce qui se passerait dans des situations qu'elle n'avait jamais vues auparavant (comme étirer le fluide beaucoup plus vite que dans les données d'entraînement). C'est comme un élève qui apprend le concept de « gravité » et peut ensuite prédire correctement comment une balle tombe sur la Lune, même s'il n'a pratiqué que sur Terre.

4. Pourquoi cela compte

Les auteurs ont constaté que leur méthode de « détective » est puissante car :

1. Elle est précise : Elle peut trouver les lois exactes lorsqu'elles existent.
2. Elle est efficace : Les équations qu'elle trouve sont courtes et simples, ce qui les rend faciles à utiliser par les ordinateurs dans des simulations réelles.
3. Elle est robuste : Elle peut gérer des données complexes et désordonnées et trouver tout de même une règle utilisable.

La Conclusion

Cet article est une preuve de concept. Il montre que vous pouvez utiliser un algorithme intelligent de recherche de données pour découvrir les lois mathématiques régissant le comportement des fluides élastiques lorsqu'ils sont étirés, sans qu'un humain ait besoin de deviner la formule au préalable. Ils ont testé avec succès cette approche sur des fluides « élastiques » simples et complexes, montrant que la méthode est prête à être utilisée pour des problèmes plus difficiles à l'avenir.

Résumé technique

Résumé technique : Développement d'une méthode de modélisation constitutive rhéologique utilisant un algorithme d'identification parcimonieuse : Étude de cas pour les écoulements extensionnels

Énoncé du problème
La dérivation de modèles constitutifs (MC) à partir de données numériques est devenue une approche systématique pour la modélisation rhéologique. Bien que le cadre Rheo-SINDy (Identification Sparse des Dynamiques Non Linéaires Rhéologiques) ait précédemment démontré son succès dans l'identification de MC approximatifs à partir de données d'écoulement cisaillement, sa polyvalence dans d'autres régimes d'écoulement reste inexplorée. L'écoulement extensionnel est un mode fondamental en rhéologie, essentiel pour comprendre les fluides complexes tels que les solutions de polymères et de surfactants. Cependant, la mesure expérimentale des propriétés extensionnelles est difficile, et les modèles phénoménologiques existants manquent souvent de détails structurels, tandis que les modèles mésoscopiques (par exemple, les dumbbells FENE) ne disposent pas de MC analytiques. Cette étude aborde l'applicabilité du cadre Rheo-SINDy aux écoulements extensionnels, en testant spécifiquement sa capacité à récupérer des modèles connus et à dériver des modèles approximatifs pour des systèmes sans solutions analytiques.

Méthodologie
L'étude emploie une stratégie pilotée par les données étendant l'algorithme SINDy à la rhéologie. L'hypothèse centrale est que l'évolution temporelle du tenseur des contraintes $\tau$ peut être exprimée via la dérivée convectée supérieure $\overset{\triangledown}{\tau}$ comme une combinaison linéaire parcimonieuse de fonctions issues d'une matrice de bibliothèque $\Theta(\mathbf{T}, \mathbf{K})$, où $\mathbf{T}$ et $\mathbf{K}$ représentent les données de séries temporelles pour les contraintes et les gradients de vitesse, respectivement :
$$\overset{\triangledown}{\mathbf{T}} = \Theta(\mathbf{T}, \mathbf{K})\Xi$$
où $\Xi$ est une matrice de coefficients parcimonieuse déterminée par régression.

L'étude a utilisé deux cas de test principaux :

1. Modèle de Giesekus (MC connu) : Pour valider le cadre, des données d'entraînement ont été générées par intégration numérique du modèle de Giesekus sous des écoulements extensionnels uniaxiaux et biaxiaux oscillatoires. La matrice de bibliothèque comprenait des polynômes jusqu'au troisième degré construits à partir des composantes de contrainte et de gradient de vitesse.
2. Modèle de dumbbell FENE (MC inconnu) : Pour tester la dérivation de modèles approximatifs, des données d'entraînement ont été générées via des simulations de dynamique brownienne (DB) d'un modèle de dumbbell Finite Extensible Nonlinear Elastic (FENE). Puisque ce modèle ne possède pas de MC analytique, la matrice de bibliothèque a été conçue en utilisant des connaissances rhéologiques dérivées du modèle de dumbbell FENE-P (Pré-moyenné) analytiquement traitable.

Régression et optimisation
Deux algorithmes de régression parcimonieuse ont été testés : Sequentially Thresholded Ridge (STRidge) et Lasso adaptatif (a-Lasso). La sélection de l'hyperparamètre optimal $\alpha$ (contrôlant la parcimonie) était basée sur une erreur quadratique moyenne totale normalisée (MSE) définie comme suit :
$$\text{MSE} = w \cdot \text{MSE}_{\text{entraînement}} + (1-w) \cdot \text{MSE}_{\text{résolu}}$$
où $\text{MSE}_{\text{entraînement}}$ mesure l'ajustement aux données de dérivées, et $\text{MSE}_{\text{résolu}}$ mesure l'erreur dans les prédictions de contraintes obtenues en intégrant le modèle identifié. Un facteur de poids de $w=0,5$ a été utilisé pour assurer la stabilité numérique et empêcher la sélection de modèles non physiques divergents.

Résultats clés

• Récupération du modèle de Giesekus : Le cadre Rheo-SINDy a identifié avec succès l'expression exacte du modèle de Giesekus à partir de données d'écoulement extensionnel. Tanto STRidge qu'a-Lasso ont récupéré les termes corrects, bien qu'a-Lasso ait produit des solutions plus parcimonieuses. Les équations identifiées correspondaient à la forme théorique, confirmant la capacité du cadre à gérer la cinématique extensionnelle.
• Modélisation approximative du dumbbell FENE : Pour le modèle de dumbbell FENE, le cadre a identifié un MC approximatif relativement simple (14 termes) en utilisant la bibliothèque conçue à partir de la théorie FENE-P.
  • Le modèle identifié a capturé la dynamique essentielle, y compris le rôle des termes de trace ($\text{tr}(\tau)\tau$) qui sont critiques pour le comportement FENE.
  • Performance prédictive : Le MC identifié a prédit raisonnablement les propriétés rhéologiques extensionnelles pour le modèle de dumbbell FENE. Il a reproduit avec succès les résultats de simulation DB pour les écoulements oscillatoires et a démontré des capacités d'extrapolation vers des écoulements extensionnels stationnaires avec des taux de déformation supérieurs à ceux des données d'entraînement (jusqu'à $\dot{\epsilon}=30$).
  • Précision : Bien que le modèle ait montré un accord raisonnable (14 % d'écart) à des taux de déformation plus faibles et un bon accord (1 % d'écart) à des taux de déformation plus élevés pour les composantes de contrainte majeures, les composantes de contrainte mineures ont présenté des écarts. Cependant, le modèle est resté borné et physiquement plausible.
• Efficacité computationnelle : Le MC identifié offre un avantage computationnel significatif par rapport aux simulations DB. Alors que la DB nécessite de petits pas de temps et de grands ensembles de dumbbells, le MC identifié ne résout que trois équations différentielles déterministes.

Signification et revendications
L'article revendique que ces résultats démontrent la « validité fondamentale » de l'utilisation de Rheo-SINDy dans des conditions d'écoulement extensionnel. L'étude établit que :

1. Le cadre peut récupérer avec précision des modèles phénoménologiques connus à partir de données extensionnelles.
2. En incorporant des connaissances rhéologiques dans la conception de la bibliothèque, le cadre peut dériver des MC approximatifs utiles pour les modèles mésoscopiques qui ne possèdent pas de solutions analytiques.
3. Les modèles résultants peuvent extrapoler vers des histoires d'écoulement et des taux de déformation en dehors de l'ensemble d'entraînement, suggérant une utilité potentielle dans la prédiction de phénomènes de transport régis par des écoulements extensionnels (par exemple, amincissement capillaire, filage de fonte).

Les auteurs maintiennent un ton modeste, reconnaissant que l'approche actuelle repose sur des ensembles de données d'entraînement spécifiques et que des travaux futurs sont nécessaires pour affiner la méthode pour des modèles plus complexes, gérer le bruit et traiter plusieurs modes de relaxation. L'étude positionne Rheo-SINDy comme un outil prometteur pour la modélisation rhéologique, mais souligne la nécessité d'un raffinement supplémentaire avant qu'il ne devienne un outil standard pour les systèmes complexes.