Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

Ce papier propose un cadre de programmation génétique d'expression filtré par résidu et par réalisabilité qui intègre directement des contraintes physiques dans la boucle de résolution CFD pour découvrir efficacement des modèles de fermeture de turbulence stables et physiquement cohérents pour les écoulements de sillage, réalisant des réductions significatives du coût computationnel et des résultats non réalisables tout en démontrant une généralisation robuste à travers des géométries diverses.

L'essentiel

Imaginez que vous essayez d'enseigner à un robot comment prédire la façon dont la fumée tourbillonne derrière une voiture ou un bateau. C'est un problème appelé « modélisation de la turbulence ». Les scientifiques utilisent des mathématiques complexes (des simulations) pour le faire, mais les mathématiques standards qu'ils utilisent sont comme un instrument contondant : elles obtiennent souvent les détails incorrects, en particulier dans le sillage désordonné derrière un objet.

Pour résoudre ce problème, les chercheurs de cet article ont utilisé l'apprentissage automatique (Machine Learning) pour inventer une nouvelle formule mathématique plus intelligente. Cependant, enseigner à une machine à inventer des formules physiques est délicat. Si vous laissez la machine faire ce qu'elle veut, elle crée souvent des formules qui semblent bonnes sur le papier mais qui font planter, figer la simulation informatique ou produire des « fantômes » (des résultats qui violent les lois de la physique).

Voici comment l'article résout ce problème, expliqué simplement :

1. Le Problème : L'Apprenant « Enfant Sauvage »

Imaginez le processus d'apprentissage automatique comme un enseignant essayant de former 256 élèves (des formules candidates) pour résoudre un puzzle.

• L'Ancienne Méthode (Référence) : L'enseignant laisse chaque élève travailler sur le puzzle pendant longtemps (des milliers d'étapes). Si la réponse d'un élève fait exploser la classe (l'ordinateur plante) ou s'il écrit un nombre physiquement impossible (comme une énergie négative), l'enseignant ne le découvre qu'après que l'élève ait gaspillé des heures de travail. C'est incroyablement lent et coûteux.
• Le Problème : Beaucoup de ces « mauvaises » formules sont mathématiquement instables ou « irréalisables » (elles enfreignent les règles de la réalité), mais l'ordinateur ne le sait pas avant qu'il ne soit trop tard.

2. La Solution : Le « Contrôle de Sécurité à Trois Étapes »

Les auteurs ont créé un nouveau système appelé RR-GEP. Au lieu de laisser chaque élève travailler jusqu'à la fin, ils ont installé un poste de contrôle de sécurité strict avec trois portes. Si un élève échoue à une porte, il est éliminé immédiatement, ce qui économise du temps et de l'énergie.

• Porte 1 : Le Contrôle « Est-ce que ça explose ? » (Vérification du Résidu)
  Imaginez qu'un élève résout un problème mathématique. Si ses nombres commencent à sauter de manière erratique ou à devenir énormes, l'enseignant l'arrête immédiatement. Cela permet de repérer les formules qui font planter l'ordinateur.
• Porte 2 : Le Contrôle « Est-ce que tu progresses ? » (Vérification de la Convergence)
  Si les nombres n'explosent pas, l'enseignant demande : « Es-tu en train de te rapprocher de la réponse ? » Si l'élève est coincé dans une boucle, sans faire de progrès, il est renvoyé chez lui. Cela stoppe les formules qui gaspillent simplement du temps sans rien résoudre.
• Porte 3 : Le Contrôle « Est-ce que ça a du sens ? » (Vérification de la Réalisabilité)
  C'est la nouvelle fonctionnalité la plus importante. Même si un élève résout correctement les mathématiques et ne fait pas planter le système, sa réponse peut encore être impossible dans le monde réel.
  • L'Analogie : Imaginez qu'un élève dise : « Le vent souffle à 100 mph, mais l'air a un poids négatif. » Les mathématiques peuvent être justes, mais la physique est fausse.
  • Les chercheurs utilisent une carte spéciale (appelée Carte Barycentrique) pour vérifier si la réponse de l'élève s'inscrit à l'intérieur du « Triangle de la Réalité ». Si la réponse tombe en dehors de ce triangle, elle est rejetée instantanément. Cela garantit que la nouvelle formule respecte les lois fondamentales de la physique.

3. Les Résultats : Plus Rapide et Plus Intelligent

En utilisant ce filtre à trois étapes, les chercheurs ont obtenu des résultats impressionnants :

• Vitesse : Ils ont réduit le temps nécessaire pour entraîner l'IA de 42 %. Ils ont arrêté de gaspiller du temps sur des formules condamnées à l'échec.
• Qualité : Avec l'ancienne méthode, près de 60 % des formules finales étaient physiquement impossibles (« irréalisables »). Avec leur nouvelle méthode, ils ont réduit ce chiffre à moins de 2 %.
• Performance : Les formules qu'ils ont trouvées n'étaient pas seulement stables ; elles étaient en fait meilleures pour prédire le « sillage » (l'air/eau tourbillonnant) derrière les objets. Elles prédisaient la taille de la zone tourbillonnante plus précisément que les anciennes méthodes standards.

4. Fonctionne-t-il sur d'autres choses ?

Les chercheurs ont entraîné l'IA sur un cylindre circulaire simple (comme un tuyau sortant de l'eau). Ensuite, ils l'ont testé sur des formes complètement différentes :

• Un cylindre rectangulaire (comme une brique).
• Un profil aérodynamique (l'aile d'un avion).
• Une forme de sous-marin (DARPA Suboff).

Même si l'IA n'avait été entraînée que sur le tuyau rond, elle a prédit avec succès le sillage pour la brique, l'aile et le sous-marin. Elle n'a pas seulement mémorisé le tuyau ; elle a appris les règles sous-jacentes du fonctionnement de la turbulence, et elle a maintenu ces règles « réelles » (physiquement possibles) dans toutes ces nouvelles situations.

Résumé

L'article présente une nouvelle façon d'enseigner aux ordinateurs à inventer des formules physiques. Au lieu de laisser l'ordinateur deviner à l'aveugle en espérant qu'il ne plante pas, ils ont mis en place trois « garde-fous ». Ces garde-fous empêchent l'ordinateur de gaspiller du temps sur de mauvaises idées et garantissent que chaque formule finale qu'il invente obéit aux lois de la physique. Cela rend le processus plus rapide, moins cher et beaucoup plus fiable pour prédire comment les fluides se déplacent autour des objets.

Résumé technique

Résumé technique : Apprentissage automatique contraint par la réalisabilité pour les fermetures de turbulence dans les écoulements de sillage

Énoncé du problème
Les cadres d'apprentissage automatique pilotés par la dynamique des fluides numérique (CFD), en particulier ceux utilisant la régression symbolique via la programmation génétique d'expression (GEP), offrent une voie prometteuse pour découvrir des modèles de turbulence explicites et interprétables physiquement. Cependant, ces cadres rencontrent des limitations significatives concernant l'instabilité numérique et l'admissibilité physique. Au cours du processus d'entraînement, des milliers de modèles de fermeture candidats sont séquentiellement intégrés dans des solveurs de Reynolds-Averaged Navier–Stokes (RANS). Une fraction non négligeable de ces candidats entraîne une divergence du solveur, une stagnation des résidus ou une croissance non physique des grandeurs turbulentes. De tels comportements instables sont souvent détectés seulement après des milliers d'itérations, résultant en un gaspillage substantiel de ressources de calcul. De plus, les cadres existants imposent rarement la « réalisabilité » — l'exigence que les contraintes de Reynolds modélisées restent physiquement admissibles (par exemple, une énergie cinétique turbulente positive, une anisotropie bornée) — durant le processus de découverte. Par conséquent, les fermetures apprises peuvent violer des contraintes physiques fondamentales même si elles semblent améliorer l'accord de l'écoulement moyen avec les données de référence, compromettant ainsi la robustesse et la généralisation.

Méthodologie
Les auteurs proposent un cadre piloté par la CFD filtré par résidus et réalisabilité intégré dans un paradigme GEP. Cette approche introduit une couche de supervision multi-étapes directement dans la boucle de solution CFD pour permettre l'identification et le rejet précoces des modèles candidats instables et non réalisables. La méthodologie consiste en trois étapes de filtrage séquentielles appliquées à des nombres d'itérations spécifiques ($N_1$ et $N_2$) avant qu'une convergence complète ($N_3$) ne soit tentée :

1. Étape 1 (Résidu absolu) : Après $N_1$ itérations, les candidats sont rejetés si le résidu normalisé maximal des équations gouvernantes dépasse un seuil prescrit ($\epsilon_1 \approx 10^{-1}$). Cela filtre les modèles causant une divergence immédiate.
2. Étape 2 (Ratio de réduction des résidus) : Les candidats passant l'Étape 1 sont évalués à $N_2$ itérations. Ils sont rejetés si le ratio de réduction des résidus ($\Gamma$) entre $N_1$ et $N_2$ ne satisfait pas un facteur d'amélioration minimum, ou si la solution stagne. Cela garantit que seuls les modèles démontrant une décroissance cohérente des résidus poursuivent.
3. Étape 3 (Application de la réalisabilité) : Pour les modèles passant les vérifications de résidus, une contrainte basée sur une carte barycentrique est appliquée. Les valeurs propres du tenseur d'anisotropie normalisé sont calculées, et l'état résultant est mappé sur un triangle barycentrique représentant les états limites de turbulence (1C, 2C, 3C). Les candidats sont rejetés si leurs poids barycentriques violent les contraintes de convexité, permettant une petite tolérance ($\epsilon_3$) mise à l'échelle par le résidu effectif pour tenir compte d'une convergence incomplète.

Le cadre a été entraîné sur un sillage de cylindre circulaire canonique à $Re=3900$. La fonction de coût a minimisé l'écart entre les profils de vitesse longitudinale RANS et de Simulation des Grandes Échelles (LES) dans le sillage, sans termes de pénalité explicites pour la stabilité ou la réalisabilité, car ceux-ci ont été strictement appliqués via les étapes de filtrage. Les modèles résultants sont des Modèles de Contraintes de Reynolds Algébriques Explicites (EARSM) appliqués spécifiquement dans la région du sillage, tandis que l'approximation de Boussinesq a été conservée ailleurs.

Contributions clés

• Développement d'un cadre GEP filtré : L'article introduit un nouvel algorithme « GEP filtré par résidus de réalisabilité » (RR-GEP) qui intègre les vérifications de stabilité et de réalisabilité directement dans la boucle évolutive, le distinguant des approches CFD pilotées « figées » ou standard.
• Gains d'efficacité : En terminant précocement les candidats improductifs, le cadre réduit considérablement le coût de calcul de la découverte de modèles.
• Admissibilité physique : La méthode impose explicitement des contraintes de réalisabilité durant l'entraînement, garantissant que les modèles découverts produisent des états de contraintes de Reynolds physiquement cohérents.
• Validation de la généralisation : L'étude valide la robustesse des modèles découverts à travers diverses géométries et régimes d'écoulement, incluant un cylindre rectangulaire, un profil aérodynamique NACA 0012 et un corps axisymétrique DARPA Suboff, à des nombres de Reynolds allant de $10^3$ à $10^6$.

Résultats

• Efficacité de calcul : Le cadre RR-GEP a atteint une réduction de 42,3 % du coût de calcul par rapport au GEP piloté par CFD de référence (B-GEP). Le taux de rejet de modèles était de 37,8 % en moyenne pour RR-GEP, avec 47,3 % des candidats rejetés dès la première génération.
• Amélioration de la réalisabilité : La stratégie de filtrage a considérablement réduit la prévalence des modèles non réalisables à la convergence. Alors que 58,4 % des modèles convergés dans le cadre B-GEP étaient non réalisables, ce chiffre est tombé à 1,7 % pour le cadre RR-GEP.
• Précision prédictive : Les modèles RR-GEP ont amélioré les prédictions de sillage pour le cas d'entraînement (cylindre), réduisant la longueur de la bulle de séparation de $x/D \approx 4,5$ (RANS de référence) à $2,25$, correspondant étroitement aux données LES. Les modèles ont également démontré une prédiction améliorée de la contrainte de cisaillement turbulente et de l'énergie cinétique turbulente.
• Robustesse et généralisation : Les modèles entraînés sur le cylindre circulaire se sont généralisés avec succès à des géométries non vues (cylindre rectangulaire, profil aérodynamique, Suboff) et à des nombres de Reynolds nettement plus élevés sans perdre la réalisabilité. Les modèles ont maintenu un comportement borné des coefficients et des trajectoires d'anisotropie physiquement cohérentes pour tous les cas de test.
• Caractéristiques des modèles : Le processus de filtrage a conduit à des modèles avec des coefficients scalaires significativement réduits et étroitement bornés par rapport à la référence. Par exemple, la magnitude moyenne du coefficient $|\zeta_1|$ a diminué d'environ $2,73$ (B-GEP) à environ $1,76$ (RR-GEP), indiquant une préférence pour des formes fonctionnelles plus simples et mieux contrôlées évitant l'amplification de contraintes non physiques.

Signification
L'article affirme que l'intégration de contraintes de réalisabilité et de stabilité directement au sein de l'apprentissage piloté par la CFD permet la découverte efficace de modèles de turbulence qui sont à la fois numériquement robustes et physiquement cohérents. En filtrant précocement les candidats instables et non réalisables, le cadre réduit la charge de calcul de la découverte de modèles tout en guidant la recherche vers des solutions physiquement admissibles. Les résultats démontrent que cette approche offre une voie évolutive pour développer des fermetures basées sur les données fiables qui se généralisent bien à travers diverses configurations d'écoulement et conditions de fonctionnement, comblant ainsi une lacune critique dans les efforts actuels de modélisation de la turbulence basés sur l'apprentissage automatique.