A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

Cette étude propose un cadre de modélisation d'ordre réduit hybride pour les écoulements turbulents sur des maillages colocalisés qui combine une stratégie de flux cohérente de type « discrétiser puis projeter » pour la conservation de la masse et de la quantité de mouvement avec une fermeture pilotée par les données basée sur un LSTM afin de reconstruire avec précision la viscosité turbulente, atteignant ainsi une performance supérieure pour capturer la dynamique transitoire par rapport aux autres architectures de réseaux de neurones.

L'essentiel

Imaginez que vous essayiez de prédire comment un fluide complexe et tourbillonnant (comme le vent dans une pièce ou l'eau dans un tuyau) va se déplacer. Pour faire cela parfaitement, vous avez besoin d'une simulation sur supercalculateur qui suit chaque infime particule de ce fluide. C'est ce qu'on appelle un Modèle à Pleine Ordre (Full-Order Model - FOM). C'est incroyablement précis, mais c'est aussi comme essayer de compter chaque grain de sable sur une plage pour prédire la marée : cela prend un temps infini et nécessite une quantité massive de mémoire.

Pour résoudre cela, les scientifiques utilisent des Modèles d'Ordre Réduit (Reduced-Order Models - ROM). Considérez un ROM comme un « best-of » ou un « résumé » du comportement du fluide. Au lieu de suivre des milliards de particules, il ne suit que les motifs les plus importants (comme les grands tourbillons) pour donner une réponse rapide et suffisamment bonne.

Cependant, il y a un piège : quand le fluide est turbulent (chaotique et tourbillonnant sauvagement), cette méthode de « best-of » échoue souvent. Elle réussit à capturer la vue d'ensemble (vitesse et pression), mais elle échoue à prédire la « friction » ou l'aspect « collant » de la turbulence (appelé viscosité turbulente). C'est comme avoir une prévision météo qui prédit parfaitement la vitesse du vent, mais qui se trompe complètement sur l'humidité.

La solution de l'article : Une collaboration hybride

Les auteurs de cet article ont créé un nouveau système « hybride » qui combine le meilleur des deux mondes pour résoudre ce problème. Ils ont utilisé une Cavité Entraînée par un Couvercle en 3D (une boîte dont le couvercle supérieur glisse d'avant en arrière, entraînant le fluide à l'intérieur) comme cas de test.

Voici comment leur système fonctionne, en utilisant des analogies simples :

1. L'équipe « Physique » (Le comptable rigoureux)

Pour la vitesse du fluide (vélocité) et la pression, l'équipe utilise une méthode appelée « Discrétiser-puis-Projeter ».

• L'analogie : Imaginez que vous construisez une maison. Vous avez un plan strict (les lois de la physique) qui garantit que les murs sont droits et que le toit ne fuit pas. Cette équipe suit le plan à la lettre. Ils prennent les mathématiques complexes du fluide, les réduisent à la taille du « best-of », mais ils le font de manière à garantir que le fluide n'apparaît pas ou ne disparaît pas par magie (conservation de la masse).
• Le résultat : Ils obtiennent la vitesse et la pression du fluide de manière très précise sans avoir besoin de « correctifs » ou de réparations supplémentaires.

2. L'équipe « Data-Driven » (L'artiste intuitif)

Pour la viscosité turbulente (la friction chaotique), la méthode du « Comptable rigoureux » échoue. C'est pourquoi les auteurs ont fait appel à une équipe « Data-Driven » (fondée sur les données).

• L'analogie : Au lieu d'essayer de calculer le chaos avec un plan rigide, ils ont engagé un artiste qui a regardé des milliers d'heures de ce type spécifique de mouvement de fluide. Cet artiste utilise le Machine Learning (plus précisément des réseaux de neurones) pour « apprendre » le motif du chaos à partir des données.
• L'outil : Ils ont testé trois types d'« artistes » différents (architectures de réseaux de neurones) :
  • MLP : Un artiste basique qui regarde l'instant présent mais oublie le passé.
  • Transformer : Un artiste capable de regarder toute la chronologie d'un coup, mais qui peut être distrait.
  • LSTM (Long Short-Term Memory) : Un artiste qui a une excellente mémoire. Il se souvient non seulement de ce qui se passe maintenant, mais aussi de ce qui s'est passé quelques secondes auparavant. Cela est crucial car la turbulence est une réaction en chaîne ; ce qui se passe maintenant dépend fortement de ce qui s'est passé juste avant.

3. Le résultat final : Le duo parfait

L'article combine ces deux équipes. Le « Comptable rigoureux » gère la vitesse et la pression, tandis que l'« Artiste intuitif » (spécifiquement le modèle LSTM) prédit la friction turbulente.

Pourquoi le LSTM a-t-il gagné ?
La turbulence est comme une rangée de dominos qui tombent. Si vous ne regardez que le premier domino (l'instant présent), vous ne pouvez pas prédire la suite. Vous devez voir la chaîne de dominos qui tombent (l'historique). Le modèle LSTM est le meilleur pour se souvenir de cette chaîne d'événements.

Le résultat

Lorsqu'ils ont testé ce système hybride face à la simulation sur supercalculateur :

• Vitesse et Pression : Le modèle était incroyablement précis (seulement 0,7 % d'erreur).
• Friction turbulente : Le modèle a prédit le chaos avec une erreur de 4 %, ce qui est bien meilleur que les autres modèles d'IA testés (qui présentaient des erreurs allant jusqu'à 14 %).

En résumé

L'article présente une manière ingénieuse de simuler des fluides chaotiques rapidement. Ils n'ont pas essayé de forcer une seule méthode à tout faire. Au lieu de cela, ils ont utilisé des mathématiques rigides pour les parties qui nécessitent de l'exactitude (vitesse/pression) et une mémoire d'IA intelligente pour la partie qui est chaotique et difficile à calculer (turbulence).

Le résultat est une simulation rapide et précise qui capture les « tourbillons » d'un écoulement turbulent en 3D sans avoir besoin d'un supercalculateur, prouvant que parfois, la meilleure façon de résoudre un problème difficile est de laisser les mathématiques et le machine learning faire ce qu'ils font de mieux.

Résumé technique

Résumé Technique : Un modèle d'ordre réduit hybride « Discrétiser-puis-Projeter » pour les écoulements turbulents sur des grilles colocalisées avec une fermeture pilotée par les données

Énoncé du Problème
Les simulations de mécanique des fluides numérique (CFD) des écoulements turbulents, particulièrement celles impliquant des modèles à haute résolution, sont souvent contraintes par des coûts computationnels et des exigences de mémoire prohibitifs. La modélisation d'ordre réduit (ROM) offre une stratégie pour atténuer ces coûts en projetant les équations directrices sur des sous-espaces de dimension inférieure. Cependant, l'application des ROM standards basées sur la projection (spécifiquement la POD-Galerkin) aux écoulements turbulents sur des grilles de volumes finis colocalisées présente des défis importants. Bien que la stratégie « discrétiser-puis-projeter » garantisse la conservation de la masse et le couplage pression-vitesse pour les champs de vitesse et de pression, elle ne produit pas de résultats physiquement cohérents lorsqu'elle est appliquée directement au champ de viscosité turbulente. La projection de Galerkin intrusive standard ne peut pas résoudre avec précision l'évolution temporelle complexe et les interactions non linéaires de la viscosité de l'Eddy au sein d'une base réduite, ce qui conduit à des incohérences physiques. De plus, les grilles colocalisées souffrent souvent d'instabilités numériques (par exemple, les modes de pression en damier) si elles ne sont pas correctement stabilisées, ce qui nécessite généralement des techniques auxiliaires comme l'interpolation de Rhie-Chow ou la stabilisation de la pression, lesquelles compliquent la formulation du modèle réduit.

Méthodologie
Les auteurs proposent un cadre ROM hybride qui combine la rigueur mathématique de la projection intrusive avec l'adaptabilité des méthodes non intrusives pilotées par les données. La méthodologie est structurée comme suit :

1. Modèle d'Ordre Complet (FOM) et Discrétisation :

   • Les équations de Navier-Stokes incompressibles sont résolues à l'aide d'une approche de simulation des grandes échelles (LES) avec le modèle de sous-maille de Smagorinsky.
   • Le FOM utilise une méthode de volumes finis (FVM) colocalisée sur une grille structurée, implémentée dans le cadre d'OpenFOAM.
   • Pour traiter la stabilité sur les grilles colocalisées sans stabilisation auxiliaire, l'étude emploie la méthode du flux cohérent (CFM) « discrétiser-puis-projeter ». Cette stratégie formule les opérateurs directement au niveau discret, projetant les matrices d'ordre complet et les contributions aux limites sur les espaces réduits pour assurer la cohérence entre les représentations de vitesse et de pression.

2. Stratégie de Réduction d'Ordre Hybride :

   • Voie Intrusive (Vitesse et Pression) : Les champs de vitesse et de pression sont résolus à l'aide de la projection POD-Galerkin de la formulation du flux cohérent. Cela implique l'extraction de modes de décomposition en modes propres orthogonaux (POD) à partir de snapshots de haute fidélité et la projection des opérateurs discrets (convectifs, diffusifs, de gradient et de Laplacien) sur ces modes. Cette voie garantit la conservation de la masse et maintient le couplage physique des équations de Navier-Stokes.
   • Voie Non-Intrusive (Viscosité Turbulente) : Reconnaissant que la projection intrusive échoue pour le champ de turbulence, la viscosité turbulente ($\nu_T$) est reconstruite à l'aide d'une fermeture pilotée par les données. Au lieu de projeter l'équation de la viscosité, les coefficients temporels de la viscosité turbulente sont prédits à l'aide de réseaux de neurones entraînés sur les coefficients temporels de la vitesse et de la pression.

3. Architectures de Réseaux de Neurones :

   • Trois architectures ont été évaluées pour modéliser l'évolution temporelle des coefficients de viscosité : le Perceptron Multicouche (MLP), les Transformers et les réseaux LSTM (Long Short-Term Memory).
   • L'architecture LSTM a été sélectionnée pour sa capacité à propager l'information sur des horizons temporels étendus, ce qui est critique pour capturer la nature dépendante de l'historique des écoulements turbulents instationnaires.

Contributions Clés

• Extension à la Turbulence 3D : Ce travail étend les stratégies précédentes de « discrétiser-puis-projeter » (auparavant limitées aux écoulements laminaires en 2D) à des configurations turbulentes tridimensionnelles complètes, répondant à la complexité physique accrue et aux demandes computationnelles plus élevées.
• Fermeture Hybride pour Grilles Colocalisées : L'article introduit une nouvelle approche hybride où la viscosité turbulente est traitée de manière non intrusive via l'apprentissage automatique, tandis que la vitesse et la pression restent régies par la formulation de flux cohérent basée sur la physique. Cela évite le recours à des techniques de stabilisation de pression complexes au niveau réduit.
• Analyse Comparative des Architectures : L'étude fournit une comparaison systématique des réseaux MLP, Transformer et LSTM pour la fermeture de la turbulence, identifiant les forces spécifiques des architectures récurrentes dans ce contexte.

Résultats
Le cadre a été validé par rapport à une simulation LES 3D d'une cavité entraînée par un couvercle (cube unité, maillage $50 \times 50 \times 50$, $Re$ basé sur la vitesse du couvercle).

• Configuration du Modèle : 10 modes POD ont été conservés pour la vitesse, la pression et la viscosité turbulente. Les 1800 premiers pas de temps ont été utilisés pour l'entraînement, et les 200 restants pour la validation.
• Métriques de Performance :
  • La fermeture basée sur LSTM a démontré une performance supérieure pour capturer la dynamique transitoire par rapport aux modèles MLP et Transformer.
  • Erreurs Relatives (LSTM) :
    • Vitesse : 0,7 %
    • Pression : 6,0 % (cohérent entre toutes les architectures)
    • Viscosité Turbulente : 4,0 % (significativement plus bas que le MLP à 14,0 % et le Transformer à 9,0 %)
  • Énergie et Enstrophie : Le modèle LSTM a montré des erreurs relatives légèrement plus faibles en énergie (0,7 %) et en enstrophie (1,7 %) par rapport aux autres architectures.
• Validation Visuelle : Les comparaisons des champs de vitesse, de pression et de viscosité turbulente entre le Modèle d'Ordre Complet et le ROM Hybride montrent que l'approximation est précise, la technique hybride réussissant à reproduire les structures d'écoulement.

Signification et Revendications
L'article affirme que le cadre proposé comble efficacement le fossé entre la cohérence mathématique des ROM basés sur la projection et la flexibilité prédictive de l'apprentissage profond. En séparant le traitement des variables d'écoulement (intrusif pour la vitesse/pression) et la fermeture de la turbulence (non intrusif pour la viscosité), la méthode parvient à un modèle d'ordre réduit stable et précis pour les écoulements turbulents 3D sur des grilles colocalisées sans nécessiter de techniques de stabilisation complexes.

Les auteurs concluent modestement que, bien que le modèle hybride capture avec succès les principales caractéristiques de l'évolution de l'écoulement pour le cas de test spécifique de la cavité entraînée par un couvercle, des cas de test supplémentaires sont nécessaires pour évaluer pleinement les performances de l'approche à travers différentes conditions d'écoulement et géométries. L'étude souligne que la prise en compte explicite des corrélations temporelles (comme le fait le LSTM) est cruciale pour modéliser la dynamique de la turbulence instationnaire où le terme de fermeture dépend de l'historique récent de l'écoulement.