Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

Cet article présente un modèle de contrainte de sous-maille non-Boussinesq, numériquement cohérent, pour la simulation des grandes échelles qui exploite l'assimilation de données et l'apprentissage multitâche afin d'obtenir une convergence accrue et des prédictions améliorées des couches limites turbulentes sous gradients de pression défavorables par rapport au modèle de Smagorinsky dynamique.

L'essentiel

Imaginez que vous essayiez de prédire comment une rivière s'écoule autour d'un virage rocheux. Si vous tentiez de calculer le mouvement de chaque molécule d'eau, il faudrait à un supercalculateur des siècles pour terminer la tâche. C'est ce que les scientifiques appellent la « Simulation Numérique Directe » (DNS). C'est parfait, mais trop lent pour l'ingénierie du monde réel.

C'est pourquoi les ingénieurs utilisent un raccourci appelé Simulation des Grandes Échelles (LES). Voyez cela comme si vous observiez la rivière depuis un hélicoptère. Vous voyez clairement les grands tourbillons et le courant principal, mais les minuscules rides et remous sont trop petits pour être vus. Pour que la simulation fonctionne, vous avez besoin d'un « Modèle de Sous-Grille (SGS) ». Ce modèle est un gardien des suppositions qui dit : « D'accord, je ne vois pas les minuscules rides, mais je sais qu'elles existent, donc je vais ajouter un peu de "friction" à mon calcul pour en tenir compte. »

Pendant des décennies, ces modèles ont été comme l'utilisation d'un réglage de friction générique et universel. Ils fonctionnent assez bien dans des rivières simples, mais quand l'eau devient turbulente, frappe une rampe ou s'écoule autour d'une forme complexe, ces modèles génériques échouent souvent. Ils peuvent prédire que l'eau ralentit alors qu'elle devrait accélérer, ou ils peuvent être confus lorsque vous essayez de rendre la simulation plus détaillée.

Le Problème : Le Paradoxe du « Zoom »
Habituellement, si vous rendez une simulation informatique plus détaillée (ajoutez plus de points de grille, comme si vous zoomiez avec un appareil photo), la réponse devrait s'améliorer. Mais avec ces vieux modèles, parfois, rendre la grille plus fine rend en réalité la prédiction pire. C'est comme essayer de réparer une photo floue en ajoutant plus de pixels, mais le logiciel ne fait qu'ajouter du bruit. C'est ce qu'on appelle la « convergence non monotone », et c'est un véritable casse-tête pour les ingénieurs.

La Solution : Un Coach Intelligent et Personnalisé
Les auteurs de cet article, Ling et Lozano-Duran, ont créé un nouveau type de modèle SGS utilisant l'Apprentissage Automatique (Machine Learning). Au lieu de deviner la friction, ils ont appris à un ordinateur à comprendre la « friction » exacte nécessaire en observant une simulation parfaite (la donnée DNS) et en essayant de l'imiter.

Voici comment ils ont procédé, en utilisant trois analogies simples :

1. Le Coach du « Nudging » (Le Coup de Pouce)
Imaginez que vous essayez d'apprendre à faire du vélo, mais que vous n'avez qu'une carte floue du chemin. Une approche par « nudging » (poussée/guidage) est comme avoir un coach debout à côté de vous. Chaque fois que vous déviez de la trajectoire parfaite (la donnée DNS), le coach vous donne une légère poussée (un « nudge ») pour vous remettre sur la bonne voie.
Dans cet article, l'ordinateur exécute une simulation et reçoit des « nudges » pour rester sur la trajectoire parfaite (les données DNS). L'ordinateur enregistre ensuite la force de la poussée nécessaire pour rester sur la bonne voie. Cette « force de poussée » devient la donnée d'entraînement pour le nouveau modèle. Le modèle apprend : « Quand l'eau ressemble à cela, je dois pousser aussi fort que cela. »

2. La Boîte à Outils « Non-Boussinesq »
Les anciens modèles étaient comme un marteau : ils ne savaient que pousser les choses dans une seule direction (comme une friction simple). Mais le flux de l'eau réelle est complexe ; elle tourne, pivote et change de direction.
Les auteurs ont construit un nouveau modèle qui ressemble davantage à un Couteau Suisse. Au lieu d'un seul outil, il utilise une approche « tensorielle », ce qui signifie qu'il possède différents outils pour différentes directions. Il gère beaucoup mieux les torsions et les rotations de l'eau que les anciens modèles de type « marteau ». Ils appellent cela une formulation « non-Boussinesq », ce qui est simplement une façon sophistiquée de dire : « Nous avons arrêté de supposer que l'eau se comporte de manière simple et nous avons commencé à la traiter comme le fluide complexe et tourbillonnant qu'elle est réellement. »

3. L'Étudiant « Multi-Tâches »
C'est la plus grande percée de cet article. Habituellement, lorsque vous entraînez un modèle d'apprentissage automatique, vous lui dites simplement d'être « précis ». Mais les auteurs ont réalisé que pour que cela fonctionne, le modèle doit apprendre une leçon spécifique : « À mesure que vous devenez plus détaillé, vous devez devenir plus précis. »
Ils ont utilisé une stratégie appelée « Apprentissage Multi-Tâches ». Imaginez un étudiant passant trois examens : un facile (grille grossière), un moyen, et un difficile (grille fine).

• L'ancienne méthode : Le professeur les note tous de la même manière. L'étudiant peut exceller à l'examen facile mais échouer au difficile.
• La nouvelle méthode : Le professeur dit à l'étudiant : « L'examen difficile compte 100 fois plus que l'examen facile. »
  En pondérant les données d'entraînement de cette manière, le modèle est forcé de donner la priorité à la précision des détails fins. Cela garantit que lorsque vous zoomez (en affinant la grille), le résultat s'améliore et ne devient jamais pire.

Les Résultats
Ils ont testé ce nouveau modèle sur un écoulement turbulent frappant une rampe (comme l'air circulant sur une aile inclinée vers le haut).

• Précision : Il a prédit la vitesse de l'air et la pression sur la paroi bien mieux que le modèle standard « Dynamic Smagorinsky » (la norme actuelle de l'industrie).
• Convergence : Plus important encore, lorsqu'ils ont rendu la grille plus fine, l'erreur a diminué de manière constante. Le « paradoxe du zoom » a été résolu. Le modèle se comporte exactement comme une bonne simulation doit le faire : plus de détails égale de meilleurs résultats.

En Résumé
Les auteurs ont construit un modèle d'IA plus intelligent et plus flexible pour simuler les fluides turbulents. En l'enseignant avec une technique de « nudging », en lui donnant un kit d'outils plus complexe de type « Couteau Suisse » plutôt qu'un simple marteau, et en le forçant à prioriser les détails fins grâce à des poids d'entraînement spéciaux, ils ont créé un modèle qui est à la fois plus précis et plus fiable à mesure que les simulations deviennent plus détaillées.

Résumé technique

Résumé technique : Modèle de contrainte sous-maille non-Boussinesq numériquement cohérent avec convergence améliorée

Énoncé du problème
La simulation des grandes échelles avec modélisation de paroi (WMLES) offre une alternative efficace sur le plan computationnel à la simulation numérique directe (DNS) pour les écoulements industriels à nombre de Reynolds élevé. Cependant, les modèles de sous-maille (SGS) conventionnels reposent souvent sur des approximations physiques (par exemple, des fermetures de viscosité turbulente linéaires) et un ajustement empirique qui échouent dans les scénarios d'écoulement complexes, tels que ceux présentant un gradient de pression défavorable (APG) ou un décollement. Une limitation critique de la pratique actuelle de la WMLES est la convergence non monotone des solutions lors de l'affinement des mailles ; les erreurs découlant de l'interaction entre la modélisation SGS, la discrétisation numérique et les modèles de paroi peuvent entraîner une détérioration des prédictions plutôt qu'une amélioration avec l'affinement du maillage. De plus, les modèles SGS existants basés sur l'apprentissage automatique (ML) éprouvent souvent des difficultés lors des tests a posteriori, car ils sont typiquement entraînés sur des données DNS filtrées (a priori), ce qui est incohérent avec les erreurs numériques inhérentes aux solveurs LES. Bien que les approches de l'assimilation de données, telles que le modèle Building-Block Flow (BFM), aient montré des promesses, les itérations précédentes étaient limitées à des configurations avec une seule direction inhomogène (par exemple, les écoulements en canal) et peinaient face aux écoulements décollés.

Méthodologie
Cette étude étend le cadre d'assimilation de données de Ling et Lozano-Duran (2025) pour développer un modèle SGS basé sur le ML, numériquement cohérent, pour les couches limites turbulentes (TBL) sous APG, une configuration présentant deux directions inhomogènes. La méthodologie comprend trois étapes principales :

1. Statistiques de référence et nudging : Les auteurs utilisent une DNS d'une TBL sous APG (avec un angle de rampe de $5^\circ$ et $Re_\theta = 670$) pour définir les statistiques cibles. Au lieu d'assimiler des trajectoires complètes, ce qui est mal posé pour des systèmes à maillage grossier, ils emploient une approche de nudging statistique. Un terme de forçage correctif ($F_{nudging}$) est ajouté aux équations de quantité de mouvement de la WMLES pour conduire le profil de vitesse moyenne vers la cible DNS. Cela génère un forçage cible numériquement cohérent ($F_{target}$) qui tient compte des erreurs de discrétisation spécifiques du solveur (charLES, un code à volumes finis accéléré par GPU).
2. Formulation de modèle non-Boussinesq : Pour remédier aux limites des modèles de viscosité turbulente linéaires dans les écoulements complexes, les auteurs adoptent une formulation SGS tensorielle non-Boussinesq. Le modèle prédit le tenseur de contrainte SGS ($\tau^{SGS}$) en utilisant deux termes : un terme de taux de déformation standard et un terme de tenseur de rotation ($SR - RS$). Les coefficients de ces termes sont paramétrés par un réseau de neurones perceptron multicouche (MLP). Les entrées du réseau sont des invariants dimensionnels dérivés des tenseurs de déformation ($S$) et de rotation ($R$), sélectionnés via une approche informationnelle (théorème de Buckingham-$\pi$) pour maximiser le pouvoir prédictif.
3. Apprentissage multi-tâche avec convergence améliorée : Le modèle est entraîné en utilisant une stratégie d'apprentissage supervisé qui minimise une fonction de perte combinée. Cette perte inclut un terme d'ajustement de forçage (pour reproduire $F_{target}$) et un terme d'ajustement de dissipation (pour assurer que le modèle dissipe l'énergie de manière cohérente avec le modèle de Smagorinsky dynamique (DSM) de base). Crucialement, les auteurs implémentent une stratégie d'apprentissage multi-tâche où les données d'entraînement de trois résolutions de grille différentes (grossière, moyenne, fine) sont pondérées différemment. En attribuant des poids plus élevés aux grilles plus fines, le processus d'entraînement impose explicitement un comportement de convergence monotone, traitant le problème où les grilles plus grossières produisent parfois des erreurs plus faibles que les grilles plus fines dans les modèles conventionnels.

Contributions clés

• Extension à deux directions inhomogènes : Le cadre est généralisé des écoulements en canal à une direction vers les TBL sous APG, accommodant une physique plus riche et des mouvements moyens secondaires.
• Formulation non-Boussinesq : L'adoption d'un modèle SGS tensoriel avec un terme de rotation permet de dépasser l'hypothèse de Boussinesq, capturant mieux les anisotropies de contraintes complexes.
• Perte d'ajustement de la dissipation : Un composant de perte spécifique est introduit pour contraindre la dissipation d'énergie du modèle, une exigence statistique démontrée comme étant essentielle pour capturer le décollement des corps profilés.
• Entraînement à convergence améliorée : L'intégration d'une pondération dépendante de la résolution dans la fonction de perte est proposée comme un mécanisme pour imposer une convergence de grille monotone, une propriété souvent absente des modèles SGS basés sur les données standards.

Résultats
Des tests posteriori ont été menés sur le cas de la TBL sous APG en comparant le modèle entraîné au modèle de Smagorinsky dynamique (DSM) et à la simulation optimisée par nudging.

• Précision : Le modèle proposé surpasse significativement le DSM dans la prédiction des profils de vitesse moyenne et de la contrainte de cisaillement à la paroi (frottement cutané), atteignant des résultats comparables à la prédiction optimale par nudging. Dans certaines régions, le modèle semble surpasser la simulation par nudging, probablement en raison d'une annulation d'erreurs entre le modèle SGS et les modèles de paroi.
• Convergence : L'étude a démontré que la stratégie d'entraînement à « poids égaux » résultait en une convergence non monotone (où la grille la plus grossière présentait l'erreur la plus faible). En revanche, la stratégie proposée à « poids inégaux » (priorisant les grilles plus fines) a réussi à rétablir une tendance de convergence monotone cohérente lors de l'affinement de la grille, bien que la grille la plus fine reste sous-résolue.

Signification et affirmations
L'article présente une preuve de concept pour une approche de modélisation SGS pilotée par les données, numériquement cohérente avec le solveur de l'écoulement et capable de gérer des configurations d'écoulement complexes à plusieurs directions. Les auteurs affirment qu'en intégrant le nudging statistique avec une formulation non-Boussinesq et une stratégie d'apprentissage multi-tâche, ils ont abordé deux défis persistants de la WMLES : l'inexactitude des fermetures linéaires dans les écoulements complexes et la convergence non monotone des solutions numériques. Ce travail suggère qu'imposer explicitement une convergence monotone par la pondération de la fonction de perte d'entraînement est une voie viable vers des modèles SGS basés sur le ML plus robustes et prêts pour la production. L'étude reconnaît des limitations, notant que le schéma de nudging actuel est scalaire (uniquement dans le sens de l'écoulement) et que des travaux futurs sont nécessaires pour étendre cela à un nudging vectoriel pour les écoulements totalement décollés et pour automatiser le calendrier de pondération pour une applicabilité plus large.