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

Il paper presenta un nuovo modello di chiusura neurale vincolato dalla fisica per la simulazione delle grandi scale (LES) nel metodo Lattice Boltzmann, che combina dati e principi fisici per migliorare l'accuratezza e l'efficienza rispetto ai metodi tradizionali, garantendo al contempo la compatibilità con l'implementazione pratica.

L'essenziale

Immagina di voler prevedere il meteo o studiare come si muove l'acqua in un fiume, ma il tuo computer non è abbastanza potente per calcolare ogni singola goccia d'acqua. È come se volessi fotografare un'intera foresta con un obiettivo così potente da vedere ogni singola foglia: ci vorrebbe un tempo infinito e un computer enorme.

Per risolvere questo problema, gli scienziati usano una tecnica chiamata Simulazione a Grande Vortice (LES). Invece di guardare ogni singola goccia, guardano solo i "grandi vortici" (come le grandi correnti d'aria) e usano delle "scorciatoie" matematiche per stimare cosa fanno le piccole gocce che non vedono. Queste scorciatoie si chiamano modelli di chiusura.

Il problema è che le vecchie scorciatoie sono un po' "stupide": sono come un sarto che taglia tutti i vestiti con la stessa misura. Funzionano bene in media, ma non riescono a catturare i dettagli strani e imprevedibili, come quando l'acqua torna indietro contro la corrente (un fenomeno chiamato backscatter).

Ecco cosa hanno fatto gli autori di questo paper:

1. L'Intelligenza Artificiale come "Sarto Esperto"

Invece di usare una formula matematica rigida, hanno addestrato una piccola Intelligenza Artificiale (una rete neurale) per imparare a fare da sarto.

• L'allenamento: Hanno mostrato all'AI milioni di immagini di fluidi turbolenti calcolati con precisione estrema (come se avessero visto ogni singola goccia). L'AI ha imparato a guardare i grandi vortici e a indovinare cosa stanno facendo le piccole gocce nascoste.
• I "Sensi" dell'AI: L'AI non guarda tutto, ma si concentra su 9 indizi specifici: come si allungano e ruotano i vortici (tensione e vorticità). È come se un detective guardasse solo le impronte digitali e la direzione del vento per capire cosa è successo.

2. La Regola d'Oro: "Non inventare cose impossibili"

Qui sta il trucco geniale. Se lasci un'AI libera di imparare da sola, potrebbe inventare cose che violano le leggi della fisica (come creare energia dal nulla).
Gli autori hanno messo dei "freni fisici" durante l'allenamento:

• Regola 1: L'energia totale deve essere conservata (non puoi creare o distruggere energia magica).
• Regola 2: Se giri il fluido, l'AI deve dare la stessa risposta (non importa da che lato guardi la stanza, la fisica è la stessa).
• Regola 3: Le forze che l'AI calcola devono essere "pulite" e non creare buchi matematici.

È come addestrare un cane: gli dai un premio se fa il compito, ma se salta la staccionata (viola la fisica), gli dai un richiamo immediato.

3. La Tecnica del "Doppio Motore"

Una volta che l'AI ha fatto la sua previsione, come la inseriscono nel simulatore? Hanno usato una strategia intelligente divisa in due parti, come un'auto ibrida:

• Parte 1 (Il Motore a Scoppio - Viscosità): La parte dell'energia che viene "dissipata" (trasformata in calore, come quando strofini le mani) viene gestita modificando la "viscosità" del fluido. È la parte classica e stabile.
• Parte 2 (Il Motore Elettrico - Forza Extra): La parte "strana" e complessa (come quando l'acqua torna indietro o crea turbolenze strane) viene aggiunta come una forza extra che spinge il fluido.

Questa separazione permette di avere la stabilità dei metodi vecchi, ma con la precisione e la capacità di catturare i dettagli strani dei metodi nuovi.

4. Il Risultato: Veloce e Preciso

Hanno testato questo sistema in due modi:

• Test "A Priori" (Prima di correre): Hanno visto se l'AI indovinava bene i dati di addestramento. Risultato: Sì, molto meglio dei metodi vecchi.
• Test "A Posteriori" (Durante la corsa): Hanno fatto girare la simulazione per vedere se il fluido si comportava bene nel tempo. Risultato: Il fluido era più realistico, catturava i "ritorni" di energia che i vecchi metodi ignoravano, e non si rompeva (non diventava instabile).

Il tocco finale: Hanno dimostrato che questo sistema può girare su computer reali (usando una tecnologia chiamata ONNX) con una velocità quasi identica ai metodi vecchi. Non hanno perso tempo, hanno solo guadagnato precisione.

In Sintesi

Immagina di dover guidare una nave in una tempesta.

• I metodi vecchi usano una mappa generica: "Se c'è vento forte, vai dritto". Funziona, ma rischi di sbattere contro le onde.
• Questo nuovo metodo è come avere un copilota (l'AI) che guarda le onde in tempo reale, conosce le leggi della fisica (non fa cose impossibili) e ti dice esattamente come sterzare per sfruttare le correnti, anche quelle che tornano indietro.

Il risultato è una simulazione che è più veloce, più intelligente e più fedele alla realtà di quanto non sia mai stato possibile con le vecchie formule.

Sommario tecnico

1. Il Problema

La simulazione delle grandi vortici (LES) è essenziale per studiare flussi turbolenti a numeri di Reynolds elevati, dove la Simulazione Numerica Diretta (DNS) risulta proibitiva. Tuttavia, i metodi classici di chiusura per le scale subgriglia (SGS), come il modello di Smagorinsky, presentano limiti significativi:

• Semplicità strutturale: I modelli basati sulla viscosità turbolenta (eddy-viscosity) approssimano lo stress SGS come puramente dissipativo e allineato al tensore di deformazione.
• Mancanza di fedeltà fisica: Questi modelli non riescono a catturare l'anisotropia completa dello stress e sopprimono il fenomeno del backscatter (il trasferimento di energia dalle scale non risolte a quelle risolte), che è cruciale per la dinamica della turbolenza.
• Integrazione nel LBM: Sebbene il metodo Lattice Boltzmann (LBM) offra vantaggi computazionali (nessuna risoluzione globale della pressione), l'integrazione di modelli di chiusura espliciti basati su Machine Learning (ML) è stata poco esplorata rispetto ai solutori Navier-Stokes continui. La sfida principale è accoppiare uno stress SGS predetto da una rete neurale al solver LBM in modo stabile ed efficiente.

2. Metodologia

Gli autori propongono un approccio ibrido che combina dati, vincoli fisici e una strategia di accoppiamento innovativa.

A. Generazione dei Dati e Architettura

• Dati di addestramento: I dati provengono da simulazioni DNS di turbolenza isotropa omogenea forzata (FHIT) eseguite con LBM. I campi sono filtrati e sottocampionati (Filtered-Downsampled, FD) per creare coppie di campi risolti e stress SGS esatti.
• Input della Rete: La rete neurale utilizza 9 caratteristiche derivate macroscopiche locali: le 6 componenti indipendenti del tensore di deformazione ($S_{ij}$) e le 3 componenti della vorticità ($\omega$).
• Architettura: Una rete neurale compatta (MLP) con architettura $9 \to 64 \to 64 \to 6$ (circa 5.190 parametri) che mappa gli input alle 6 componenti indipendenti del tensore dello stress SGS.
• Normalizzazione: Per garantire la generalizzazione su diverse larghezze di filtro ($\Delta$), le derivate vengono normalizzate moltiplicando per $\Delta$ prima dell'addestramento.

B. Addestramento con Vincoli Fisici

L'addestramento non si basa solo sulla minimizzazione dell'errore quadratico medio (MSE) rispetto ai dati, ma include termini di perdita fisica:

1. Matching del trasferimento di energia ($\Pi$): Minimizza la differenza tra il trasferimento di energia SGS predetto e quello reale, permettendo valori negativi (backscatter) senza forzare la non-negatività.
2. Equivarianza Rotazionale: Il modello è vincolato a rispettare l'invarianza rispetto alle rotazioni del cubo discreto, garantendo coerenza fisica.
3. Penalità di divergenza: Una perdita aggiuntiva penalizza la divergenza della forza SGS indotta, assicurando compatibilità numerica con l'accoppiamento forzato.

C. Strategia di Accoppiamento Ibrido (Split Strategy)

Questa è la contribuzione metodologica principale per l'integrazione nel LBM. Lo stress predetto ($\tau^{ML}$) viene scomposto in due parti:

1. Parte Dissipativa: La componente allineata alla deformazione viene estratta e mappata in una viscosità efficace ($\nu_{eff}$), che modifica il tasso di rilassamento nel collisionatore LBM (MRT). Questo mantiene la stabilità numerica tipica dei modelli di viscosità.
2. Parte Residua Anisotropa: La parte rimanente dello stress (non dissipativa e responsabile del backscatter e dell'anisotropia) viene applicata come una forza di corpo (Guo forcing) nel solver LBM.
   Questa separazione permette di mantenere la stabilità del solver LBM mentre si recuperano effetti fisici che i modelli puramente viscosi perderebbero.

3. Risultati Chiave

Validazione A Priori

• La rete predice le componenti dello stress SGS con alta correlazione (coefficiente di correlazione di Pearson $\rho \approx 0.95$) rispetto ai dati di riferimento filtrati.
• La distribuzione di probabilità (PDF) del trasferimento di energia $\Pi$ corrisponde fedelmente ai dati DNS, catturando correttamente sia la coda positiva (trasferimento diretto) che quella negativa (backscatter). I modelli Smagorinsky, al contrario, falliscono nel catturare il backscatter.

Validazione A Posteriori (LES accoppiata)

• Statistica Energetica: Le simulazioni LES accoppiate mostrano un migliore equilibrio energetico rispetto ai modelli di riferimento (Smagorinsky statico e dinamico). L'errore di bilancio energetico è significativamente ridotto.
• Backscatter: Il modello ML riesce a catturare eventi di backscatter, che sono soppressi dai modelli a viscosità turbolenta non negativa.
• Robustezza: Il modello mantiene prestazioni elevate quando accoppiato sia con collisionatori MRT che BGK, nonostante sia stato addestrato su dati MRT.
• Trasferibilità (Transfer Learning): In un test preliminare, lo stesso modello (addestrato su FHIT) è stato applicato senza ri-addestramento a un flusso in canale turbolento. I risultati mostrano un accordo soddisfacente con i benchmark DNS per il profilo di velocità media, le fluttuazioni RMS e lo sforzo di Reynolds, suggerendo una buona generalizzazione a flussi con pareti.

Prestazioni Computazionali

• Il modello è stato implementato in un codice Fortran/OpenACC di produzione utilizzando ONNX Runtime per l'inferenza su GPU.
• Il throughput computazionale è quasi identico a quello di un modello Smagorinsky dinamico (differenza di circa lo 0.6%), dimostrando che l'approccio ML non introduce un sovraccarico computazionale proibitivo.

4. Contributi Principali

1. Chiusura ML Esplicita per LBM: Dimostrazione che un modello ML può predire l'intero tensore dello stress SGS in un framework LBM, superando i limiti delle approssimazioni puramente viscoshe.
2. Strategia di Accoppiamento Ibrido: Introduzione di uno schema che separa la parte dissipativa (gestita via viscosità efficace) da quella anisotropa (gestita via forzatura), risolvendo il problema della stabilità nell'accoppiamento ML-LBM.
3. Addestramento Fisicamente Vincolato: L'uso di vincoli di equivarianza e matching energetico migliora la generalizzazione e la coerenza fisica rispetto all'addestramento puramente basato sui dati.
4. Generalizzazione e Deployment: Validazione della capacità del modello di trasferirsi a flussi complessi (canale) senza ri-addestramento e dimostrazione della fattibilità di un deployment industriale ad alte prestazioni tramite ONNX.

5. Significato e Impatto

Questo lavoro colma un divario significativo tra l'uso del Machine Learning nella modellazione della turbolenza e l'implementazione pratica nel metodo Lattice Boltzmann. Dimostra che è possibile integrare modelli di chiusura "intelligenti" e fisicamente realistici (capaci di backscatter e anisotropia) in solver LBM esistenti senza sacrificare la stabilità numerica o le prestazioni computazionali. L'approccio ibrido proposto offre una via promettente per simulazioni LES più accurate e fisicamente fedeli in scenari industriali e scientifici complessi, aprendo la strada a modelli di chiusura più sofisticati rispetto alle formulazioni cinetiche tradizionali.