Physics-Constrained Neural Closure for Lattice Boltzmann Large-Eddy Simulation

Cet article présente une fermeture de sous-maille basée sur un réseau de neurones contraint par la physique pour les simulations des grandes échelles en méthode de Boltzmann sur réseau, qui améliore les performances statistiques par rapport aux modèles classiques tout en conservant la compatibilité et l'efficacité du déploiement.

L'essentiel

Le Problème : Simuler le chaos de l'eau (ou du vent)

Imaginez que vous voulez prédire exactement comment l'air va tourbillonner autour d'une voiture de course ou comment l'eau va bouger dans une rivière. C'est ce qu'on appelle la turbulence.

Pour le faire avec un ordinateur, il faut diviser l'espace en millions de petits cubes (comme des pixels en 3D). Plus les cubes sont petits, plus le calcul est précis, mais plus il est long.

• Le dilemme : Si on veut une simulation ultra-réaliste (Direct Numerical Simulation), il faut des cubes minuscules. Mais même avec les supercalculateurs les plus puissants, cela prendrait des siècles pour simuler quelques secondes de vent. C'est trop cher et trop lent.
• La solution classique (LES) : On utilise des cubes plus gros. On voit les gros tourbillons, mais on ne voit pas les tout petits. Le problème ? Les petits tourbillons manquent d'information. Ils agissent comme un "bruit" ou un "flou" qui perturbe les gros tourbillons. Il faut inventer une règle pour deviner ce que font ces petits tourbillons invisibles. C'est ce qu'on appelle le modèle de fermeture.

L'Innovation : Un "Assistant IA" qui respecte les lois de la physique

Les chercheurs de cet article (Muhammad Idrees Khan et son équipe) ont créé un nouveau type de modèle pour deviner le comportement de ces petits tourbillons, mais avec une touche spéciale : ils ont utilisé l'Intelligence Artificielle (IA), mais en la forçant à respecter les lois de la physique.

Voici comment ils ont fait, avec des analogies :

1. L'Entraînement : Apprendre à un élève brillant

Imaginez que vous avez un élève très intelligent (le réseau de neurones) qui doit apprendre à prédire le temps qu'il fera.

• La méthode habituelle : On lui donne des milliers de photos de nuages (les données) et on lui dit "devine". Parfois, il invente des choses impossibles (comme de la pluie en plein désert) parce qu'il a juste mémorisé des motifs sans comprendre la logique.
• La méthode de cette équipe : Ils ont entraîné l'IA sur des données très précises (simulées par ordinateur) de turbulence. Mais surtout, ils lui ont donné des règles strictes (des contraintes physiques) :
  • La règle de la rotation : Si on tourne la pièce, la prédiction doit tourner avec elle (comme si on regardait une voiture tourner, la force du vent ne change pas, juste son angle).
  • La règle de l'énergie : L'IA ne peut pas créer de l'énergie nulle part. Elle doit savoir quand l'énergie passe des gros tourbillons aux petits (dissipation) et quand elle remonte des petits vers les gros (ce qu'on appelle le "backscatter", un peu comme un rebond).

2. La Structure : Un couteau suisse en deux parties

C'est ici que l'astuce est géniale. Les modèles classiques (comme le modèle "Smagorinsky") agissent comme un seul outil : ils ajoutent de la "viscosité" (une sorte de sirop) pour freiner les mouvements. C'est stable, mais ça tue les détails intéressants.

Leur modèle IA est un couteau suisse qui agit en deux temps :

• Partie 1 (Le frein) : Si le tourbillon perd de l'énergie, l'IA ajuste la "viscosité" du fluide, comme si on ajoutait un peu de miel pour ralentir le mouvement. C'est la partie dissipative.
• Partie 2 (Le coup de pouce) : Parfois, les petits tourbillons donnent de l'énergie aux gros (le "backscatter"). Un modèle classique ne peut pas faire ça. Ici, l'IA ajoute une petite "poussée" ou une force supplémentaire pour simuler ce transfert d'énergie vers le haut.

C'est comme si, pour conduire une voiture, vous utilisiez à la fois les freins (pour ralentir) et l'accélérateur (pour avancer), au lieu de juste freiner tout le temps.

3. Le Déploiement : Rapide et compatible

Leur modèle est si léger et bien conçu qu'il peut tourner très vite sur des cartes graphiques modernes (comme celles des jeux vidéo). Ils l'ont intégré dans un logiciel de simulation très rapide (la méthode Lattice Boltzmann) sans le ralentir. C'est comme si vous aviez ajouté un GPS intelligent à une voiture de course, et que la voiture ne perdait pas de vitesse pour autant.

Les Résultats : Pourquoi c'est important ?

• Plus précis : Quand ils ont testé leur modèle, il a mieux prédit la réalité que les modèles classiques. Il a réussi à voir des détails fins que les autres modèles ignoraient.
• Plus réaliste : Il a réussi à capturer ces moments où l'énergie "remonte" (backscatter), ce qui est crucial pour avoir une simulation qui ressemble vraiment à la nature.
• Généralisable : Le plus fou, c'est qu'ils ont entraîné l'IA sur un type de turbulence (dans un espace vide et uniforme) et qu'elle a fonctionné presque aussi bien sur un autre type (dans un canal avec des murs), sans avoir besoin de réapprendre. C'est comme si un pilote d'avion entraîné sur un simulateur de ciel ouvert pouvait atterrir sur une piste réelle sans formation supplémentaire.

En résumé

Cette recherche, c'est comme avoir remplacé un vieux manuel de règles rigides par un assistant IA expert.

• Cet assistant observe les gros mouvements.
• Il devine ce que font les petits mouvements invisibles.
• Il le fait en respectant scrupuleusement les lois de la physique (pas de magie, pas d'erreurs d'énergie).
• Et il le fait si vite que les ingénieurs peuvent l'utiliser pour concevoir de meilleures voitures, des avions plus silencieux ou des prévisions météo plus fiables, sans attendre des mois pour le résultat.

C'est un pas de géant vers des simulations de fluides qui sont à la fois rapides et réalistes.

Résumé technique

1. Problématique et Contexte

La simulation des grandes échelles (LES) est une méthode essentielle pour étudier les écoulements turbulents à des nombres de Reynolds où la simulation numérique directe (DNS) reste prohibitivement coûteuse. Cependant, la modélisation des contraintes de sous-maille (SGS) pose un défi majeur :

• Limites des modèles classiques : Les modèles classiques (comme Smagorinsky) reposent souvent sur une viscosité turbulente scalaire. Bien que robustes, ils suppriment le « backscatter » (transfert d'énergie des petites échelles vers les grandes) et peinent à capturer l'anisotropie complète des contraintes de SGS.
• Défi spécifique au LBM : La méthode de Boltzmann sur réseau (LBM) est très efficace pour la LES car elle évite les résolutions globales de pression. Cependant, l'intégration de modèles de fermeture basés sur l'apprentissage automatique (ML) dans le cadre cinétique du LBM est complexe. La plupart des travaux antérieurs sur le ML pour la turbulence se concentrent sur les solveurs Navier-Stokes continus, laissant le LBM sous-exploité pour les fermetures explicites de contraintes.

L'objectif principal de cet article est de développer, entraîner et déployer une fermeture de contraintes de sous-maille (SGS) pilotée par les données et contrainte par la physique, spécifiquement conçue pour le LBM, capable de capturer à la fois la dissipation et le backscatter de manière stable et efficace.

2. Méthodologie

L'approche proposée combine l'apprentissage profond, la physique des fluides et l'architecture LBM de manière innovante.

A. Génération des Données et Entraînement

• Source des données : Des simulations DNS (Simulation Numérique Directe) de turbulence isotrope homogène forcée (FHIT) sont réalisées avec un solveur LBM MRT (Multiple Relaxation Time).
• Préparation : Les champs DNS sont filtrés et sous-échantillonnés (FD) à différentes largeurs de filtre ($\Delta$) pour créer des paires de données : champs résolus (entrées) et contraintes SGS exactes (cibles).
• Caractéristiques d'entrée (Features) : Le modèle utilise 9 dérivées macroscopiques locales :
  • 6 composantes du tenseur de taux de déformation ($S_{ij}$).
  • 3 composantes du vecteur de vorticité ($\omega$).
• Normalisation : Une normalisation spécifique par la largeur de filtre ($\Delta$) est appliquée aux dérivées pour garantir que le modèle soit invariant d'échelle et transférable entre différentes résolutions.

B. Architecture du Réseau de Neurones

• Structure : Un réseau compact (5 190 paramètres) avec une architecture hiérarchique : 9 entrées $\to$ 64 neurones cachés $\to$ 64 neurones cachés $\to$ 6 sorties (les 6 composantes indépendantes du tenseur de contraintes SGS).
• Fonction d'activation : GELU (Gaussian Error Linear Unit).
• Projection : Une projection déviatorique (suppression de la trace) est appliquée après l'inférence pour garantir que la contrainte injectée est sans trace, comme requis par la physique.

C. Stratégie d'Entraînement Contrainte par la Physique

La fonction de perte ($L$) combine une erreur quadratique moyenne (MSE) sur les données avec trois termes de régularisation physique :

1. Matching de transfert d'énergie ($\Pi$) : Minimisation de la différence entre le transfert d'énergie prédit et réel ($\Pi = -\tau_{ij}S_{ij}$), permettant de capturer le backscatter (valeurs négatives de $\Pi$) sans contrainte de positivité artificielle.
2. Équivariance rotationnelle : Pénalisation des incohérences sous les rotations du groupe cubique discret, assurant que le modèle respecte la symétrie physique.
3. Compatibilité de la force de divergence : Pénalisation de la divergence de la force SGS induite, pour assurer la compatibilité numérique avec le couplage LBM.

D. Stratégie de Couplage Hybride (Le cœur de l'innovation)

Au lieu d'injecter directement le tenseur de contraintes complet, l'auteur propose une décomposition hybride pour le couplage au solveur LBM :

1. Partie dissipative : La composante alignée avec le taux de déformation est convertie en une viscosité effective ($\nu_{eff}$) qui modifie le temps de relaxation local du LBM. Cela permet de capturer le backscatter (si $\nu_{eff}$ devient négatif).
2. Partie résiduelle anisotrope : Le reste du tenseur (non dissipatif) est injecté via un terme de force explicite (Force de Guo).
   Cette séparation permet de maintenir la stabilité du solveur LBM tout en préservant les effets non dissipatifs que les modèles de viscosité pure ignorent.

3. Résultats Principaux

A. Validation A Priori (Statistique)

• Précision : Le modèle montre une forte corrélation (coefficient de corrélation de Pearson $\rho \approx 0.90-0.95$) avec les données de référence FD pour toutes les composantes de contrainte.
• Backscatter : Contrairement au modèle de Smagorinsky (qui force une viscosité positive et annule le backscatter), le modèle ML reproduit fidèlement la distribution de probabilité du transfert d'énergie $\Pi$, y compris la queue négative (backscatter) et les événements intermittents.
• Robustesse : La précision est maintenue sur une large gamme de largeurs de filtre et de viscosités, avec une performance améliorée pour les filtres plus grossiers et les viscosités plus élevées.

B. Validation A Posteriori (Simulation en boucle fermée)

• Stabilité et Énergie : Les simulations LES en boucle fermée sur une grille $128^3$ montrent que le modèle ML maintient un bilan énergétique beaucoup plus proche de la DNS que les modèles Smagorinsky (statique ou dynamique).
• Backscatter et Anisotropie : Le modèle capture correctement la structure spatiale du transfert d'énergie et les statistiques de backscatter, là où les modèles classiques échouent.
• Généralisation (Transfert) :
  • Collision : Le modèle entraîné sur des données MRT fonctionne également bien avec un opérateur de collision BGK, démontrant une robustesse au type de collision.
  • Géométrie : Un test préliminaire sur un écoulement de canal turbulent (sans réentraînement) montre que le modèle, entraîné uniquement sur de la turbulence isotrope, parvient à prédire correctement les profils de vitesse moyenne, les fluctuations RMS et les contraintes de Reynolds. Cela suggère que la fermeture apprend une relation constitutive locale basée sur les gradients, transférable à des écoulements complexes.

C. Performance et Déploiement

• Déploiement industriel : Le modèle a été intégré dans un code LBM Fortran/OpenACC via ONNX Runtime avec inférence sur GPU.
• Vitesse : Le surcoût de calcul est négligeable. La vitesse de traitement (MLUP/s) du modèle ML est quasi identique à celle d'une simulation Smagorinsky dynamique (différence de ~0,6 %), prouvant que l'approche est viable pour des applications de production.

4. Contributions Clés

1. Première fermeture explicite de contraintes SGS pour le LBM : Démonstration qu'un tenseur de contraintes complet peut être prédit à partir de dérivées locales et couplé de manière stable au LBM.
2. Stratégie de couplage hybride : Introduction d'une méthode de décomposition dissipative/résiduelle qui permet d'utiliser à la fois la modification du temps de relaxation (pour la dissipation/backscatter) et le forçage explicite (pour l'anisotropie résiduelle), résolvant le problème de stabilité des fermetures ML en LBM.
3. Entraînement contraint par la physique : Utilisation de contraintes de symétrie rotationnelle et de conservation de l'énergie pour améliorer la généralisation et la stabilité physique du réseau.
4. Preuve de transférabilité : Démonstration que le modèle peut être appliqué à un écoulement de canal sans réentraînement, suggérant une capacité de généralisation au-delà des données d'entraînement (FHIT).
5. Déploiement haute performance : Intégration réussie dans un code de production avec des performances équivalentes aux modèles classiques.

5. Signification et Perspectives

Ce travail marque une avancée significative dans la modélisation de la turbulence par apprentissage automatique. Il comble le fossé entre les modèles de fermeture ML sophistiqués (souvent limités aux solveurs Navier-Stokes continus) et l'efficacité computationnelle du LBM.

La capacité à capturer le backscatter et l'anisotropie tout en maintenant une stabilité numérique et une performance computationnelle comparable aux modèles classiques ouvre la voie à des simulations LES plus précises pour des applications industrielles complexes. La capacité de transfert vers des écoulements de paroi sans réentraînement est particulièrement prometteuse, bien que des travaux futurs soient nécessaires pour valider cette généralisation sur une gamme plus large de nombres de Reynolds et de géométries complexes.