A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

Questo studio propone un framework di modellazione a ordine ridotto ibrido per flussi turbolenti su griglie collocate che combina una strategia di flusso consistente "discretize-then-project" per la conservazione di massa e quantità di moto con una chiusura basata sui dati tramite LSTM per ricostruire accuratamente la viscosità turbolenta, ottenendo prestazioni superiori nel catturare la dinamica transitoria rispetto ad altre architetture di reti neurali.

L'essenziale

Immagina di cercare di prevedere come si muoverà un fluido complesso e vorticoso (come il vento in una stanza o l'acqua in un tubo). Per farlo perfettamente, avresti bisogno di una simulazione su un supercomputer che tracci ogni singolo minuscolo granello di quel fluido. Questo è chiamato Modello a Ordine Completo (Full-Order Model - FOM). È incredibilmente accurato, ma è come cercare di contare ogni singolo granello di sabbia su una spiaggia per prevedere la marea: richiede un tempo infinito e una quantità enorme di memoria.

Per risolvere questo problema, gli scienziati utilizzano i Modelli a Ordine Ridotto (Reduced-Order Models - ROM). Pensa a un ROM come a un "montaggio delle scene salienti" o a un "riassunto" del comportamento del fluido. Invece di tracciare miliardi di particelle, traccia solo i modelli più importanti (come i grandi vortici) per fornirti una risposta veloce e "abbastanza buona".

Tuttavia, c'è un problema: quando il fluido è turbolento (caotico e che si agita selvaggiamente), questo metodo del "riassunto" spesso fallisce. Riesce a comprendere bene il quadro generale (velocità e pressione), ma non riesce a prevedere correttamente l' "attrito" o la "viscosità" della turbolenza (chiamata viscosità turbolenta). È come avere una previsione meteorologica che prevede perfettamente la velocità del vento, ma sbaglia completamente l'umidità.

La Soluzione del Paper: Una Collaborazione Ibrida

Gli autori di questo articolo hanno creato un nuovo sistema "ibrido" che combina il meglio di due mondi per risolvere questo problema. Hanno utilizzato una Cavità Guidata da un Coperchio 3D (una scatola dove il coperchio superiore scorre avanti e indietro, trascinando il fluido all'interno) come loro caso di test.

Ecco come funziona il loro sistema, utilizzando analogie semplici:

1. Il Team della "Fisica" (Il Contabile Rigoroso)

Per la velocità del fluido (velocità) e la pressione, il team utilizza un metodo chiamato "Discretize-then-Project" (Discretizza-e-Proietta).

• L'Analogia: Immagina di costruire una casa. Hai un progetto rigoroso (le leggi della fisica) che assicura che le pareti siano dritte e il tetto non perda. Questo team segue il progetto esattamente. Prendono la complessa matematica del fluido, la restringono alle dimensioni del "riassunto", ma lo fanno in modo da garantire che il fluido non appaia o scompaia magicamente (conservazione della massa).
• Il Risultato: Ottengono la velocità e la pressione del fluido in modo molto accurato senza bisogno di "patch" o correzioni extra.

2. Il Team "Data-Driven" (L'Artista Intuitivo)

Per la viscosità turbolenta (l'attrito caotico), il metodo del "Contabile Rigoroso" fallisce. Per questo motivo, gli autori hanno portato in campo un team Data-Driven.

• L'Analogia: Invece di cercare di calcolare il caos con un progetto rigido, hanno assunto un artista che ha osservato migliaia di ore di questo specifico tipo di fluido che si agita. Questo artista usa il Machine Learning (nello specifico, le Reti Neurali) per "imparare" il modello del caos dai dati.
• Lo Strumento: Hanno testato tre diversi tipi di "artisti" (architetture di Reti Neurali):
  • MLP: Un artista base che guarda il momento attuale ma dimentica il passato.
  • Transformer: Un artista che può guardare l'intera linea temporale contemporaneamente, ma potrebbe distrarsi.
  • LSTM (Long Short-Term Memory): Un artista che ha una grande memoria. Ricorda non solo cosa sta accadendo ora, ma anche cosa è successo pochi secondi fa. Questo è fondamentale perché la turbolenza è una reazione a catena; ciò che accade ora dipende fortemente da ciò che è accaduto appena prima.

3. Il Risultato Finale: Il Duo Perfetto

Il paper combina questi due team. Il "Contabile Rigoroso" gestisce la velocità e la pressione, mentre l' "Artista Intuitivo" (specificamente il modello LSTM) prevede l'attrito turbolento.

Perché l'LSTM ha vinto?
La turbolenza è come una fila di domino che cade. Se guardi solo il primo domino (il momento attuale), non puoi prevedere il resto. Devi vedere la catena di domino che cade (la storia). Il modello LSTM è il migliore nel ricordare questa catena di eventi.

L'Esito

Quando hanno testato questo sistema ibrido contro la simulazione del supercomputer:

• Velocità e Pressione: Il modello è stato incredibilmente accurato (solo lo 0,7% di errore).
• Attrito Turbolento: Il modello ha previsto il caos con un errore del 4%, che è molto meglio degli altri modelli di IA testati (che presentavano errori fino al 14%).

In Sintesi

Il paper presenta un modo intelligente per simulare fluidi caotici velocemente. Non hanno cercato di costringere un unico metodo a fare tutto. Invece, hanno usato la matematica rigida per le parti che richiedono precisione (velocità/pressione) e la memoria intelligente dell'IA per la parte che è caotica e difficile da calcolare (turbolenza).

Il risultato è una simulazione veloce e accurata che cattura i "vortici" di un flusso turbolento 3D senza bisogno di un supercomputer, dimostrando che a volte il modo migliore per risolvere un problema difficile è lasciare che la matematica e il machine learning facciano ciò che sanno fare meglio.

Sommario tecnico

Sintesi Tecnica: Un Modello a Ordine Ridotto Ibrido Discretize-then-Project per Flussi Turbolenti su Griglie Collocate con Chiusura Data-Driven

Definizione del Problema
Le simulazioni di fluidodinamica computazionale (CFD) di flussi turbolenti, in particolare quelle che coinvolgono modelli ad alta risoluzione, sono spesso limitate da costi computazionali e requisiti di memoria proibitivi. Il Modellazione a Ordine Ridotto (ROM) offre una strategia per mitigare questi costi mediante la proiezione delle equazioni governanti su sottospazi a bassa dimensionalità. Tuttavia, l'applicazione di standard ROM basati sulla proiezione (specificamente il POD-Galerkin) a flussi turbolenti su griglie a volumi finiti collocate presenta sfide significative. Sebbene la strategia "discretize-then-project" garantisca la conservazione della massa e l'accoppiamento pressione-velocità per i campi di velocità e pressione, essa non produce risultati fisicamente coerenti quando applicata direttamente al campo di viscosità turbolenta. La proiezione standard di tipo Galerkin intrusiva non può risolvere accuratamente l'evoluzione temporale complessa e le interazioni non lineari della viscosità di eddy all'interno di una base ridotta, portando a inconsistenze fisiche. Inoltre, le griglie collocate soffrono spesso di instabilità numeriche (ad esempio, modi di pressione a scacchiera) se non adeguatamente stabilizzate, richiedendo tipicamente tecniche ausiliarie come l'interpolazione di Rhie-Chow o la stabilizzazione della pressione che complicano la formulazione a ordine ridotto.

Metodologia
Gli autori propongono un framework ROM ibrido che combina il rigore matematico della proiezione intrusiva con l'adattabilità dei metodi data-driven non intrusivi. La metodologia è strutturata come segue:

1. Modello a Ordine Completo (FOM) e Discretizzazione:

   • Le equazioni di Navier-Stokes incomprimibili vengono risolte utilizzando un approccio Large Eddy Simulation (LES) con il modello di Smagorinsky per la sottogriglia.
   • Il FOM utilizza un metodo a volumi finiti (FVM) collocato su una griglia strutturata, implementato all'interno del framework OpenFOAM.
   • Per affrontare la stabilità sulle griglie collocate senza l'ausilio di stabilizzazioni esterne, lo studio impiega il metodo del flusso consistente (CFM) "discretize-then-project". Questa strategia formula gli operatori direttamente al livello discreto, proiettando le matrici dell'ordine completo e i contributi ai bordi sugli spazi ridotti per garantire la coerenza tra le rappresentazioni di velocità e pressione.

2. Strategia ROM Ibrida:

   • Percorso Intrusivo (Velocità e Pressione): I campi di velocità e pressione sono risolti tramite la proiezione POD-Galerkin della formulazione del flusso consistente. Ciò comporta l'estrazione dei modi di Decomposizione Modale Proprìa (POD) dai snapshot ad alta fedeltà e la proiezione degli operatori discreti (convettivi, diffusivi, di gradiente e Laplaciano) su questi modi. Questo percorso garantisce la conservazione della massa e mantiene l'accoppiamento fisico delle equazioni di Navier-Stokes.
   • Percorso Non Intrusivo (Viscosità Turbolenta): Riconoscendo che la proiezione intrusiva fallisce per il campo di turbolenza, la viscosità turbolenta ($\nu_T$) viene ricostruita utilizzando una chiusura data-driven. Invece di proiettare l'equazione della viscosità, i coefficienti temporali della viscosità turbolenta vengono predetti utilizzando reti neurali addestrate sui coefficienti temporali di velocità e pressione.

3. Architetture di Reti Neurali:

   • Sono state valutate tre architetture per modellare l'evoluzione temporale dei coefficienti di viscosità: Perceptron Multistrato (MLP), Transformer e Long Short-Term Memory (LSTM).
   • L'architettura LSTM è stata selezionata per la sua capacità di propagare le informazioni su orizzonti temporali estesi, aspetto critico per catturare la natura dipendente dalla storia dei flussi turbolenti instabili.

Contributi Chiave

• Estensione alla Turbolenza 3D: Il lavoro estende le precedenti strategie "discretize-then-project" (precedentemente limitate a flussi laminari 2D) a configurazioni turbolente tridimensionali complete, affrontando l'aumento della complessità fisica e delle richieste computazionali.
• Chiusura Ibrida per Griglie Collocate: Il documento introduce un nuovo approccio ibrido in cui la viscosità turbolenta è gestita in modo non intrusivo tramite machine learning, mentre velocità e pressione rimangono governate dalla formulazione del flusso consistente basata sulla fisica. Ciò evita la necessità di tecniche di stabilizzazione della pressione a livello ridotto.
• Analisi Comparativa delle Architetture: Lo studio fornisce un confronto sistematico tra le reti MLP, Transformer e LSTM per la chiusura della turbolenza, identificando i punti di forza specifici delle architetture ricorrenti in questo contesto.

Risultati
Il framework è stato validato rispetto a una LES 3D di una cavità guidata da una parete mobile (cubo unitario, mesh $50 \times 50 \times 50$, $Re$ basato sulla velocità della parete).

• Configurazione del Modello: Sono stati mantenuti 10 modi POD per velocità, pressione e viscosità turbolenta. I primi 1800 passi temporali sono stati utilizzati per l'addestramento, mentre i restanti 200 per la validazione.
• Metriche di Prestazione:
  • La chiusura basata su LSTM ha dimostrato prestazioni superiori nel catturare la dinamica transitoria rispetto ai modelli MLP e Transformer.
  • Errori Relativi (LSTM):
    • Velocità: 0,7%
    • Pressione: 6,0% (coerente tra tutte le architetture)
    • Viscosità Turbolenta: 4,0% (significativamente inferiore rispetto all'MLP al 14,0% e al Transformer al 9,0%)
  • Energia ed Entropia: Il modello LSTM ha mostrato errori relativi leggermente inferiori in energia (0,7%) ed entropia (1,7%) rispetto alle altre architetture.
• Validazione Visiva: I confronti tra i campi di velocità, pressione e viscosità turbolenta tra il Modello a Ordine Completo (FOM) e il ROM Ibrido hanno mostrato che l'approssimazione è accurata, con la tecnica ibrida che riesce a riprodurre con successo le strutture del flusso.

Significatività e Rivendicazioni
Il documento sostiene che il framework proposto colma efficacemente il divario tra la coerenza matematica dei ROM basati sulla proiezione e la flessibilità predittiva del deep learning. Separando il trattamento delle variabili di flusso (intrusivo per velocità/pressione) e la chiusura della turbolenza (non intrusivo per la viscosità), il metodo ottiene un modello a ordine ridotto stabile e accurato per flussi 3D turbolenti su griglie collocate senza richiedere complesse tecniche di stabilizzazione.

Gli autori concludono con modestia che, sebbene il modello ibrido riesca a catturare le principali caratteristiche dell'evoluzione del flusso per il caso specifico della cavità guidata da parete, sono necessari ulteriori casi di test per valutare pienamente le prestazioni dell'approccio attraverso diverse condizioni di flusso e geometrie. Lo studio evidenzia come la gestione esplicita delle correlazioni temporali (come fatto dall'LSTM) sia cruciale per modellare la dinamica turbolenta instabile, dove il termine di chiusura dipende dalla storia recente del flusso.