Information-Based Symbolic Regression of Local Closures for RANS Transition Modeling

Dans le monde de l'aérodynamique, l'air qui s'écoule sur une aile ou une pale de turbine ne se comporte pas toujours de la même manière. Au début de son voyage, l'air se déplace en couches lisses et ordonnées, un état connu sous le nom d'écoulement laminaire. Mais au fil de son trajet, ces couches peuvent soudainement se briser en un désordre chaotique et tourbillonnant appelé turbulence. Ce passage, connu sous le nom de transition, est un moment critique. Il modifie la façon dont la friction de l'air exerce une force sur la surface, la façon dont la chaleur est transférée et, finalement, la quantité de portance ou de traînée qu'un objet subit. Pour les ingénieurs qui conçoivent tout, des éoliennes aux moteurs à réaction, prédire exactement où et quand ce basculement se produit est l'un des défis les plus tenaces de la physique moderne.

Pour simuler ces écoulements sur un ordinateur, les scientifiques utilisent un ensemble d'équations qui moyennent les minuscules et rapides fluctuations de la turbulence. Cependant, ces équations moyennées ont un angle mort : elles ne peuvent pas naturellement voir la transition de l'écoulement lisse vers l'écoulement chaotique. Pour corriger cela, les ingénieurs ajoutent des règles supplémentaires, appelées « fermetures », qui agissent comme des capteurs locaux. Ces capteurs tentent de deviner l'état de l'écoulement en utilisant uniquement les informations disponibles en un seul point, plutôt qu'en observant l'ensemble du champ d'écoulement. Le problème est que ces règles existantes sont souvent des approximations grossières, fondées sur de vieilles données et des hypothèses simplifiées. Elles fonctionnent suffisamment bien pour certaines situations, mais peuvent échouer lorsque les conditions changent, entraînant des prédictions inexactes pour les avions ou les machines.

Une équipe de chercheurs espagnols et français a maintenant porté un regard neuf sur ces capteurs locaux. Au lieu de s'appuyer sur les méthodes traditionnelles par essais et erreurs ou sur des modèles informatiques complexes et inexplicables, ils ont utilisé une méthode qui combine la théorie de l'information et la régression symbolique. Considérez cela comme une façon de laisser les données parler d'elles-mêmes, en cherchant la phrase mathématique la plus simple et la plus précise qui décrit la réalité physique. En analysant une vaste bibliothèque de solutions d'écoulement de fluides idéalisées, ils ont découvert de nouvelles manières plus précises de calculer l'état local de l'air. Ils ont ensuite testé ces nouvelles formules dans une simulation complète d'une plaque plane, un cas de test standard en aérodynamique. Les résultats ont montré que, si les nouvelles formules étaient bien plus précises pour décrire la physique locale, leur succès dans la prédiction du moment réel de la transition dépendait fortement des conditions spécifiques de l'écoulement, révélant que l'amélioration d'une partie d'un système complexe ne garantit pas toujours un meilleur résultat global.

Les chercheurs ont commencé leur travail en créant un environnement contrôlé pour étudier la transition. Ils ont utilisé une célèbre famille de solutions mathématiques connues sous le nom de profils de Falkner-Skan. Ces solutions décrivent comment l'air s'écoule sur une surface plane sous différentes conditions de pression, allant de l'air poussé vers l'avant à l'air ralenti. Dans ce monde théorique parfait, les chercheurs connaissaient la réponse exacte pour deux quantités clés : l'épaisseur de quantité de mouvement, qui mesure à quel point l'écoulement de l'air a ralenti à cause de la friction, et un paramètre de gradient de pression, qui mesure comment la pression change le long de la surface. Ces quantités sont vitales pour prédire la transition, mais dans une simulation informatique réelle, elles ne sont pas directement disponibles. Les ingénieurs doivent généralement les estimer à l'aide d'indices locaux, comme la distance par rapport à la paroi ou la vitesse de l'air à proximité.

La première étape de l'équipe a consisté à déterminer quels indices locaux contenaient l'information la plus utile. Ils ont traité le problème comme une recherche du signal le plus informatif. En utilisant une technique basée sur la théorie de l'information, ils ont testé des milliers de combinaisons possibles de variables locales pour voir lesquelles prédisaient le mieux les réponses exactes connues de leur base de données théorique. Ils ont découvert que pour le paramètre de gradient de pression, l'indice le plus informatif était une combinaison spécifique de la façon dont la vitesse de l'air changeait perpendiculairement à la paroi et du carré de la distance par rapport à la paroi. Ce n'était pas une surprise, car cela correspondait à la structure de l'ancienne formule existante, confirmant que l'intuition ancienne était physiquement fondée. Cependant, pour l'épaisseur de quantité de mouvement, la recherche a révélé un meilleur candidat. La méthode traditionnelle reposait sur une variable basée sur la rotation du fluide, mais la nouvelle analyse a montré qu'un simple rapport impliquant la vitesse locale et la distance par rapport à la paroi était beaucoup plus cohérent et fiable à travers différentes conditions d'écoulement.

Avec ces indices supérieurs identifiés, les chercheurs sont passés à la seconde étape : trouver la formule mathématique exacte qui relie les indices locaux aux valeurs réelles. Ils ont utilisé un outil appelé régression symbolique, qui agit comme un alchimiste numérique. Au lieu de forcer les données dans une forme prédéfinie, cet outil génère et teste des millions d'expressions mathématiques possibles, ne conservant que celles qui sont à la fois précises et simples. L'objectif était de trouver une équation compacte qui puisse être facilement intégrée dans un code informatique. Le résultat fut un ensemble de nouvelles formules explicites qui reconstruisaient les quantités physiques réelles avec une précision bien plus élevée que les méthodes standards. Pour le paramètre de gradient de pression, la nouvelle formule était un polynôme complexe qui capturait les nuances subtiles que l'ancienne formule linéaire omettait. Pour l'épaisseur de quantité de mouvement, la meilleure formule s'est avérée être une relation linéaire remarquablement simple, qui était à la fois très précise et facile à mettre en œuvre.

Le véritable test, cependant, n'était pas seulement de savoir si ces formules fonctionnaient de manière isolée, mais comment elles se comportaient lorsqu'elles étaient insérées dans une simulation complète et fonctionnelle d'un modèle de transition. L'équipe a implémenté leurs nouvelles formules dans un modèle standard à une équation utilisé dans les logiciels d'ingénierie et a lancé des simulations de la série ERCOFTAC T3, un ensemble célèbre d'expériences impliquant l'air s'écoulant sur une plaque plane sous diverses conditions. Ces expériences comprenaient des cas avec une turbulence élevée, une turbulence faible et différents gradients de pression. Les résultats furent révélateurs. Dans plusieurs cas, particulièrement ceux présentant une turbulence modérée à élevée ou des gradients de pression forts, les nouvelles formules ont amélioré la prédiction du moment où la transition se produit. La simulation correspondait plus étroitement aux données expérimentales que le modèle original.

Pourtours, l'histoire n'était pas une victoire simple. Dans deux cas spécifiques impliquant une intensité de turbulence très faible, les nouvelles formules ont en fait aggravé les prédictions. La transition a été prédite trop tôt dans un cas et trop tard dans l'autre. Ce résultat a mis en lumière une leçon cruciale de la modélisation complexe : l'amélioration d'un composant unique ne répare pas automatiquement toute la machine. Le modèle de transition est un équilibre délicat de nombreuses parties en interaction. Lorsque les chercheurs ont remplacé les formules locales, ils ont modifié l'équilibre de l'ensemble du système. Dans certains scénarios, les nouvelles données locales plus précises ont exposé les faiblesses d'autres parties du modèle, comme la façon dont le système estime l'intensité de la turbulence entrante. Les chercheurs ont noté que les règles existantes pour estimer cette intensité de turbulence pourraient devoir être mises à jour pour correspondre aux nouvelles formules locales plus précises. Sans de tels ajustements, les bénéfices des nouvelles formules pourraient être perdus ou même inversés.

L'étude conclut que, bien que la régression symbolique basée sur l'information soit un outil puissant pour créer des règles locales plus claires et plus précises, elle n'est pas un remède miracle qui résout l'ensemble du problème de la modélisation de la transition. Les nouvelles formules fournissent une représentation plus fidèle de la physique locale, offrant une base solide pour de futures améliorations. Cependant, les chercheurs soulignent que pour que ces nouvelles règles fonctionnent parfaitement dans toutes les situations, l'architecture du reste du modèle devra peut-être être recalibrée. Le travail suggère une voie à suivre où les méthodes fondées sur les données peuvent affiner systématiquement les blocs de construction des modèles de turbulence, mais il sert également de rappel que dans le monde complexe de la dynamique des fluides, chaque pièce doit s'assembler parfaitement pour que l'image globale émerge. Les chercheurs prévoient d'étendre leurs travaux à des écoulements tridimensionnels plus complexes et de revisiter les autres parties du modèle pour voir si elles peuvent être améliorées de la même manière, visant un avenir où les prédictions de transition seront aussi fiables et transparentes que la physique qu'elles décrivent.