Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

Questo lavoro presenta un modello surrogato parametrico interpretabile che combina l'identificazione sparsa delle dinamiche non lineari (SINDy) e gli operatori neurali per prevedere in tempo reale la traiettoria di una sfera che oscilla vicino a una parete, sostituendo costose simulazioni CFD con un approccio fisico-informato ad alta precisione.

L'essenziale

Immagina di dover recuperare un piccolo drone galleggiante (un'USV) da una nave madre in mezzo al mare, con onde alte e moto ondoso. È come cercare di afferrare una moneta che rimbalza su un tavolo scosso mentre cammini: è difficile, pericoloso e richiede decisioni istantanee.

Il problema è che per prevedere esattamente come si muoverà quel drone, i computer usano simulazioni matematiche super-complesse (chiamate CFD). Sono così precise che sembrano un film in 8K, ma sono anche così lente che ci vorrebbero ore per calcolare un solo movimento. Se la nave deve decidere in tempo reale se è sicuro recuperare il drone, queste ore sono troppo: serve una risposta in millisecondi.

Ecco cosa fanno gli autori di questo studio: creano un "cattivo" (un modello semplificato) che è veloce come un fulmine ma intelligente quasi quanto il supercomputer.

Ecco come funziona, spiegato con analogie semplici:

1. Il Super-Cuoco e il Ricettario (CFD e SINDy)

Immagina che il supercomputer (CFD) sia un cuciniere stellato. Può cucinare un piatto perfetto, ma ci mette 10 ore.
Gli scienziati hanno fatto cucinare al cuoco stellato centinaia di piatti diversi (simulando il drone che cade in acqua a diverse distanze dal muro e da diverse altezze).

Poi, hanno preso le ricette di questi piatti e hanno usato un algoritmo intelligente chiamato SINDy. SINDy è come un detective culinario che guarda il piatto finito e dice: "Ok, per ottenere questo sapore, non serve tutta la lista di ingredienti complessa. Ti bastano solo: un po' di sale (forza di galleggiamento), un po' di pepe (attrito dell'acqua) e un pizzico di zucchero (forza delle onde)."

In pratica, SINDy prende la simulazione complessa e la riduce a una semplice equazione matematica (un'equazione differenziale) che spiega il movimento usando solo pochi termini chiave. È come trasformare un romanzo di 1000 pagine in una poesia di 4 righe che cattura l'essenza della storia.

2. Il Mago che Indovina le Variabili (Neural Operator)

C'è un problema: il detective SINDy ha scritto una ricetta diversa per ogni combinazione di "distanza dal muro" e "altezza di caduta". Ma se vuoi recuperare il drone in una situazione nuova che non avevi mai simulato prima? Non puoi aspettare che il cuoco stellato cucini di nuovo.

Qui entra in gioco il Mago (la Rete Neurale o "Neural Operator").
Il Mago ha studiato tutte le ricette scritte dal detective SINDy. Ha imparato a vedere un pattern: "Ah, quando il drone è lontano dal muro, serve più pepe. Quando è vicino, serve più sale."

Il Mago non impara a cucinare il piatto direttamente (che sarebbe lento e impreciso). Impara invece a indovinare la ricetta giusta istantaneamente basandosi sulla posizione del drone.

• Tu dici al Mago: "Il drone è a 15 metri dal muro e cade da 2 metri."
• Il Mago pensa: "Ok, so esattamente quali ingredienti (coefficienti) servono per quella situazione."
• Ti dà la ricetta istantaneamente.

3. Il Risultato: Un Motore in Tempo Reale

Una volta che il Mago ha imparato, puoi chiedergli di cucinare (calcolare il movimento) per qualsiasi situazione, anche quelle che non ha mai visto prima, e lo fa in tempo reale.

• Senza questo metodo: Dovresti aspettare ore per sapere se il drone si schianterà.
• Con questo metodo: Il sistema calcola il movimento in millisecondi, permettendo alla nave madre di muoversi e recuperare il drone in sicurezza mentre le onde lo colpiscono.

Perché è importante?

Il bello di questo lavoro è che non è una "scatola nera" magica dove non si capisce cosa succede dentro.

• Il detective SINDy garantisce che la ricetta sia fisicamente sensata (usa termini reali come attrito e galleggiamento, non numeri a caso).
• Il Mago garantisce che sia veloce.

In sintesi, hanno creato un sistema che combina la precisione della fisica con la velocità dell'intelligenza artificiale. È come avere un copilota esperto che, invece di guardare il mare e fare calcoli complessi, ti dice istantaneamente: "Gira a sinistra, l'onda ti spingerà così, e il drone si muoverà in questo modo", permettendo operazioni di recupero sicure anche in mare agitato.

Sommario tecnico

Titolo: Modellazione Idrodinamica Ridotta di una Sfera Vicino a un Muro tramite Regressione Sparsa e Operatori Neurali

1. Problema e Contesto

Il recupero e il lancio di piccoli veicoli di superficie senza equipaggio (USV) da navi madri più grandi rappresentano una fase critica e complessa delle operazioni navali future. Durante queste manovre, l'USV opera in prossimità di una struttura molto più grande, spesso in condizioni di mare irregolare e con onde ripide.

• Limiti degli approcci attuali: I metodi convenzionali (teoria delle strisce, potenziale lineare) sono efficienti ma falliscono nel catturare effetti non lineari significativi (interazioni onda-corpo, effetti idrostatici non lineari, risonanza negli spazi ristretti) che diventano dominanti con grandi ampiezze di moto e geometrie complesse.
• Costo computazionale: Le simulazioni CFD (Computational Fluid Dynamics) ad alta fedeltà sono necessarie per catturare questi fenomeni, ma il loro costo computazionale (ore CPU) le rende inutilizzabili per applicazioni in tempo reale, come il controllo attivo durante il recupero.
• Obiettivo: Sviluppare un modello surrogato interpretabile e parametrico capace di prevedere la dinamica di un oggetto in tempo reale, riducendo drasticamente il costo computazionale rispetto alla CFD, mantenendo però la fedeltà fisica.

2. Metodologia

Gli autori propongono un approccio ibrido che combina modelli fisici ridotti, regressione sparsa e apprendimento profondo (Operatori Neurali).

A. Configurazione e Dati di Addestramento

• Scenario: Una sfera con un grado di libertà (moto verticale o "heave") operante vicino a una parete verticale (che rappresenta lo scafo della nave madre).
• Dataset: Vengono generate simulazioni CFD ad alta fedeltà (Ansys Fluent) per un dataset parametrico variando la distanza dal muro ($WD$) e l'altezza di caduta ($DH$).
• Fisica: Le simulazioni includono effetti viscosi, dinamica della superficie libera non lineare (VOF) e turbolenza ($k-\omega$ SST).

B. Identificazione di Dinamiche Non Lineari (SINDy)

• Per ogni traiettoria CFD, viene applicato l'algoritmo SINDy (Sparse Identification of Nonlinear Dynamics).
• L'obiettivo è identificare un'Equazione Differenziale Ordinaria (ODE) a basso ordine della forma:
  $$(M+A)\ddot{x} + C(x, \dot{x})\dot{x} + K(x)x = F_{exc}(t)$$
• SINDy seleziona un sottoinsieme sparso di termini polinomiali (per le forze di restituzione idrostatica e lo smorzamento di radiazione) e termini armonici (per le forze di eccitazione delle onde) da una libreria candidata, minimizzando l'errore con regolarizzazione.
• Risultato SINDy: Si ottengono coefficienti interpretabili fisicamente per ogni combinazione $(WD, DH)$, rivelando la natura non lineare (es. termini cubici) delle forze idrostatiche e l'accoppiamento complesso delle forze di eccitazione.

C. Operatore Neurale (ONet) come Surrogato Globale

• Poiché SINDy fornisce coefficienti solo in punti discreti dello spazio parametrico, viene utilizzato un Operatore Neurale (ONet) per apprendere una mappa continua e liscia:
  $$\Xi = \Xi(WD, DH)$$
  dove $\Xi$ è il vettore dei coefficienti dell'ODE.
• Architettura: Una rete neurale feed-forward con un livello nascosto che mappa le condizioni al contorno ($WD, DH$) ai coefficienti dell'ODE.
• Funzione di Perdita (Loss): La rete non viene addestrata per minimizzare l'errore sui coefficienti stessi, ma sull'errore della traiettoria temporale risultante. I coefficienti predetti dalla rete vengono integrati numericamente (metodo RK4) e confrontati con i dati CFD.
• Vincoli Fisici: I coefficienti della rete sono vincolati da limiti derivati dai risultati SINDy per garantire che i valori appresi rimangano fisicamente plausibili (priori fisici).

3. Contributi Chiave

1. Modello Surrogato Interpretabile: A differenza delle "scatole nere" (come le reti LSTM pure), il modello finale è un'ODE fisica i cui coefficienti hanno un significato idrodinamico diretto (massa aggiunta, smorzamento, rigidezza).
2. Ibridazione SINDy-ONet: L'uso di SINDy per generare dati etichettati (coefficienti) e di un ONet per interpolare questi coefficienti nello spazio parametrico offre un equilibrio tra interpretabilità fisica e generalizzazione dei dati.
3. Analisi delle Non Linearità: Il lavoro dimostra quantitativamente come le forze idrostatiche di restituzione presentino una forte non linearità (comportamento "hardening" cubico) che i modelli lineari non possono catturare, specialmente ad altezze di caduta elevate.
4. Validazione della Fattibilità in Tempo Reale: Il modello surrogato può essere eseguito in tempo reale, eliminando la necessità di simulazioni CFD onerose per scenari di lancio/recupero.

4. Risultati

• Accuratezza: Il modello surrogato raggiunge un errore quadratico medio (MSE) di circa $5.76 \times 10^{-4}$ sui dati di test (interpolazione), un valore molto vicino al limite teorico imposto dalla precisione di SINDy ($5.1 \times 10^{-4}$).
• Confronto CFD vs. Surrogato: Il modello riproduce con alta fedeltà le risposte di decadimento dell'heave (heave-decay) ottenute dalla CFD, catturando correttamente l'ampiezza di picco e la frequenza di decadimento anche in regimi non lineari.
• Interpolazione vs. Estrapolazione: Il modello performa eccellentemente all'interno del dominio di addestramento. L'errore aumenta significativamente durante l'estrapolazione (es. $WD=25m$), come previsto per i modelli basati sui dati.
• Dinamica dei Coefficienti: L'ONet apprende una varietà di coefficienti che, pur differendo leggermente dai valori esatti di SINDy, generano traiettorie dinamiche quasi identiche, suggerendo che per sistemi non lineari non esiste una singola soluzione "migliore" per i coefficienti, ma piuttosto un manifold di soluzioni valide.

5. Significato e Conclusioni

Questo lavoro fornisce una via pratica verso la modellazione surrogata fisicamente informata per le operazioni di lancio e recupero navale.

• Impatto Operativo: Permette di valutare rapidamente nuove configurazioni geometriche ($WD, DH$) in tempo reale, supportando decisioni critiche durante le operazioni marine.
• Limiti e Futuro: Il modello attuale è limitato a una geometria idealizzata (sfera) e a un singolo grado di libertà. Le forze di eccitazione delle onde riflesse rimangono complesse e non perfettamente catturabili da semplici termini sinusoidali, indicando la necessità di modelli di forzamento più sofisticati.
• Prospettiva: La metodologia è estendibile a forme di scafo più complesse e a moti a 6 gradi di libertà, e il framework è compatibile con l'integrazione di dati sperimentali reali oltre alle sole simulazioni CFD.

In sintesi, l'approccio combina la robustezza della fisica (tramite SINDy) con la flessibilità dell'apprendimento automatico (tramite ONet) per superare il compromesso tra accuratezza fisica e velocità computazionale nelle idrodinamiche navali non lineari.