Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

Questo articolo presenta un flusso di lavoro pratico che integra una rete neurale addestrata su dati reometrici sperimentali come chiusura della viscosità all'interno di un solutore a elementi finiti Cahn–Hilliard–Navier–Stokes, validando con successo l'approccio attraverso la simulazione accurata della dinamica di risalita e delle forme di inchiostri siliconici non newtoniani senza richiedere modifiche al solutore.

L'essenziale

Immagina di cercare di simulare il movimento di una goccia di inchiostro denso e viscoso attraverso un bagno di liquido. Nel mondo reale, questo inchiostro non si comporta come l'acqua; è "non newtoniano". Ciò significa che la sua densità (viscosità) cambia a seconda di quanto velocemente lo mescoli o lo schiacci. Se lo spingi con forza, potrebbe diventare più fluido (come il ketchup) o più denso (come l'amido di mais e l'acqua).

Tradizionalmente, gli scienziati informatici che cercano di simulare questo fenomeno devono ipotizzare una specifica formula matematica (come l'equazione di "Carreau–Yasuda") per descrivere come si comporta l'inchiostro. Ma se inventi un nuovo inchiostro, devi fermarti, derivare una nuova formula e riscrivere il codice del computer ogni volta. È come cercare di guidare un'auto dove devi ricostruire manualmente il motore ogni volta che cambi tipo di carburante.

Questo articolo presenta un modo più intelligente e flessibile per farlo utilizzando l'Intelligenza Artificiale (IA).

Il "Sostituto Intelligente" (La Rete Neurale)

Invece di costringere il computer a usare una rigida formula matematica, i ricercatori hanno addestrato una "rete neurale" (un tipo di cervello artificiale) per agire come un sostituto intelligente del comportamento dell'inchiostro.

1. Imparare dall'esperienza: Hanno preso dati reali da una macchina che misurava come i loro specifici inchiostri siliconici reagivano venendo mescolati a diverse velocità.
2. L'addestramento: Hanno insegnato all'IA a guardare la velocità del mescolamento e a prevedere esattamente quanto sarebbe stato denso l'inchiostro in quel momento.
3. La regola della "Fluidità": Per evitare che l'IA si confondesse o facesse ipotesi estreme e irrealistiche (come prevedere che l'inchiostro si trasformi istantaneamente in roccia solida), hanno aggiunto una regola chiamata "regolarizzazione di Lipschitz". Considerala come un limite di velocità per l'apprendimento dell'IA. Costringe l'IA a fare previsioni fluide e graduali invece di previsioni irregolari e sregolate.

Il "Traduttore Universale" (ONNX)

Di solito, se addestri un'IA, devi riscrivere il tuo software di simulazione fisica affinché comprenda quella specifica IA. Questo è un processo lento e soggetto a errori.

I ricercatori hanno utilizzato un formato chiamato ONNX (Open Neural Network Exchange). Immagina questo come un traduttore universale o una chiavetta USB standard. Hanno salvato la loro IA addestrata in questo formato. Ora, il software di simulazione fisica può semplicemente "collegare" il file dell'IA e chiederle: "Ehi, qual è la viscosità a questa velocità?" senza dover essere riscritto. L'IA fa il lavoro pesante e il software di simulazione si limita ad ascoltare.

La Prova del Guida: La Bolla Ascendente

Per dimostrare che questo sistema funziona, hanno eseguito due tipi di test:

1. Il test del "Libro di Testo": Hanno simulato una bolla che sale in un fluido in cui conoscevano già l'esatta formula matematica. Hanno confrontato la loro simulazione guidata dall'IA con la matematica nota.

   • Risultato: L'IA corrispondeva perfettamente alla matematica. Ha dimostrato che il sistema "plug-and-play" funziona.

2. Il test del "Mondo Reale": Hanno creato due miscele di inchiostro siliconico reali in un laboratorio e hanno filmato queste gocce di inchiostro che salivano attraverso un liquido speciale (perfluorodecalina) usando una telecamera ad alta velocità.

   • Hanno inserito i dati reali del laboratorio nella loro IA.
   • Hanno lasciato che il computer simulasse la risalita delle gocce.
   • Risultato: La simulazione al computer ha previsto la velocità e la forma delle gocce in risalita quasi esattamente come apparivano nel video reale. Le gocce simulate somigliavano alle gocce reali e salivano alla stessa velocità.

Perché questo è importante (secondo l'articolo)

L'articolo afferma che questo è un percorso pratico per la produzione additiva (come la stampa 3D). Quando si stampa con materiali complessi (come gli inchiostri usati nella Digital Light Processing o nella Direct Ink Writing), il comportamento del materiale è difficile da prevedere.

Questo nuovo flusso di lavoro permette agli ingegneri di:

• Prendere dati reali da un nuovo materiale.
• Addestrare un piccolo modello di IA su di essi.
• Collegare questo modello direttamente a una simulazione per vedere come il materiale fluirà durante la stampa.

In breve: hanno costruito un sistema in cui non è necessario essere un matematico per descrivere il comportamento di un fluido. Basta misurarlo, addestrare una piccola IA e lasciare che il computer capisca il resto, mantenendo al contempo la simulazione fluida e accurata.

Sommario tecnico

Sintesi Tecnica: Chiusura della Viscosità basata su Reti Neurali per Flussi Multifase Non Newtoniani

Definizione del Probleo
I materiali utilizzati nella manifattura additiva a base polimerica, come la Digital Light Processing (DLP) e la Direct Ink Writing (DIW), presentano tipicamente una reologia non newtoniana complessa. Sebbene i modelli costitutivi standard, come le formulazioni Carreau–Yasuda o della legge di potenza, descrivano efficacemente comportamenti basilari di shear-thinning o shear-thickening, essi possiedono limitazioni significative. Le loro forme funzionali fisse e a bassa dimensionalità richiedono ai ricercatori di derivare nuove equazioni e riimplementarle all'interno dei solutori di flusso per ogni nuovo sistema materiale o comportamento reologico (ad esempio, viscoelasticità, trossotropia). Inoltre, l'adattamento empirico non garantisce sempre la credibilità fisica, e i surrogati basati sui dati richiedono spesso una calibrazione attenta per evitare oscillazioni non fisiche quando integrati in solutori ad alta fedeltà. Vi è una mancanza di flussi di lavoro consolidati che permettano di implementare surrogati costitutivi addestrati su reometria sperimentale direttamente all'interno di solutori di flusso multifase senza la modifica del solutore stesso.

Metodologia
Gli autori presentano un flusso di lavoro di implementazione che integra una rete neurale (NN) addestrata su dati di reometria sperimentale come chiusura della viscosità all'interno di un solutore a elementi finiti Cahn–Hilliard–Navier–Stokes (CHNS). La metodologia comprende tre componenti principali:

1. Formulazione e Addestramento della Rete Neurale:

   • Una rete neurale feedforward completamente connessa viene addestrata per mappare il tasso di deformazione locale ($\dot{\gamma}$) sulla viscosità ($\eta$).
   • Per garantire che la funzione appresa sia idonea all'uso come chiusura costitutiva, durante l'addestramento viene applicata la regolarizzazione di Lipschitz. Questa aggiunge una penalità sul gradiente di input alla funzione di perdita, limitando la derivata dell'output della rete. Ciò evita che la rete si adatti al rumore con funzioni altamente oscillanti e assicura previsioni fluide e fisicamente plausibili, in particolare durante l'estrapolazione al di fuori dell'intervallo di shear-rate di addestramento.
   • L'architettura della rete consiste in due strati nascosti con 64 neuroni ciascuno, utilizzando attivazioni hyperbolic-tangent (Tanh). L'addestramento viene eseguito in spazio log-log per gestire dati che coprono diversi ordini di grandezza.

2. Integrazione nel Solutore tramite ONNX:

   • La rete addestrata viene esportata nel formato Open Neural Network Exchange (ONNX).
   • Il solutore CHNS interroga la rete durante l'esecuzione ad ogni iterazione. Il solutore passa il tasso di deformazione locale al modello e riceve la corrispondente viscosità.
   • Questo approccio consente l'integrazione di modelli costitutivi neurali in esistenti framework di flusso multifase senza modificare il codice del solutore o riimplementare l'architettura della rete nell'ambiente C++/Fortran del solutore.

3. Framework Numerico:

   • Il solutore utilizza una strategia di avanzamento temporale a iterazione a blocchi, risolvendo le equazioni di Cahn–Hilliard seguite dalle equazioni di Navier–Stokes.
   • Il framework impiega un'infrastruttura di Raffinamento della Mesh Adattivo (AMR) parallela basata su octree per concentrare la risoluzione all'interfaccia fluida, risolvendo efficientemente i gradienti ripidi nelle interfacce di fase.

Contributi Chiave

• Flusso di Lavoro di Implementazione: Il documento stabilisce un percorso pratico per implementare surrogati reologici addestrati sperimentalmente all'interno di solutori a elementi finiti utilizzando ONNX, eliminando la necessità di modificare il solutore.
• Regolarizzazione di Lipschitz: L'applicazione della regolarizzazione di Lipschitz durante l'addestramento è dimostrata come un meccanismo critico per produrre previsioni di viscosità fluide, idonee come chiusure costitutive, affrontando il rischio di oscillazioni non fisiche nei modelli basati sui dati.
• Validazione su Dati Sintetici e Reali: Il flusso di lavoro è validato sia tramite benchmark sintetici (leggi Carreau–Yasoda analitiche) che dati sperimentali reali (formulazioni di inchiostro siliconico), dimostrando robustezza sia per comportamenti costitutivi monotonici che non monotonici.

Risultati
Lo studio valida il framework attraverso due set primari di esperimenti:

1. Validazione Benchmark (Dati Sintetici):

   • Il solutore è stato testato contro casi benchmark di risalita di bolle in fluidi shear-thinning (Pang e Lu [26]) con variabili indici di legge di potenza e numeri di Weber.
   • Le simulazioni utilizzando la chiusura della rete neurale (addestrata su dati sintetici Carreau–Yasuda) hanno prodotto forme di bolle e velocità di risalita visivamente indistinguibili da quelle ottenute con la chiusura analitica Carreau–Yasuda.
   • I risultati della rete neurale hanno inoltre corrisposto ai valori della letteratura di riferimento, confermando la coerenza del solutore e la fedeltà della pipeline neurale.
   • Una legge costitutiva non monotonica sintetica (shear-thinning seguito da shear-thickening) è stata modellata con successo, con la rete neurale che ha riprodotto i risultati analitici senza modifiche all'architettura.

2. Validazione Sperimentale (Dati Reali):

   • Due formulazioni di inchiostro siliconico (Materiale A e B con diverso contenuto di silice fumed) sono state caratterizzate tramite reometria.
   • La dinamica di risalita delle gocce è stata registrata tramite video ad alta velocità in un bagno di perfluorodecalina.
   • Le reti neurali sono state addestrate sui dati reometrici sperimentali e utilizzate per simulare la risalita di queste gocce.
   • Accordo di Forma: Le forme stazionarie delle gocce simulate concordavano con le osservazioni sperimentali. Le distanze di Hausdorff variavano da 0,044 a 0,079, e le distanze di Chamfer da 0,040 a 0,062 (normalizzate per la dimensione media della goccia), indicando deviazioni entro circa il 4–8% della dimensione della goccia.
   • Accordo di Velocità: Le velocità di risalita simulate rientravano nell'intervallo misurato sperimentalmente per tutti e quattro i casi indipendenti (due materiali, due calibri di ago).
   • Costo Computazionale: Il costo di inferenza della rete neurale è stato trascurabile rispetto ai costi di algebra lineare delle soluzioni di Navier–Stokes e Cahn–Hilliard.

Significatività
Il documento sostiene di contribuire alla crescente letteratura sull'integrazione di chiusure costitutive neurali in simulazioni multifisiche. Dimostra un metodo pratico e indipendente dal solutore per sostituire le tradizionali leggi costitutive parametriche con surrogati basati sui dati addestrati su misurazioni sperimentali. Riproducendo con successo dinamiche di risalita e forme di gocce complesse per materiali reali senza richiedere nuove derivazioni analitiche o riscritture del solutore, il lavoro fornisce una via percorribile per simulare flussi multifase non newtoniani nella manifattura additiva e in altre applicazioni in cui la reologia del materiale è complessa o difficile da catturare con forme funzionali standard. Gli autori sottolineano che la regolarizzazione di Lipschitz è essenziale per garantire la stabilità e la plausibilità fisica di queste chiusure basate sui dati all'interno del solutore.