Sintesi Tecnica: Interfaccia di Apprendimento della Rottura (Learning Interface Breakup)

Definizione del Problema

La progettazione di ugelli spray richiede la previsione di come la geometria dell'ugello influenzi la rottura transitoria di flussi bifase. Sebbene le simulazioni ad alta fedeltà Volume-of-Fluid (VOF) con Adaptive Mesh Refinement (AMR) possano modellare accuratamente questi fenomeni, esse sono computazionalmente proibitive per l'esplorazione iterativa del design. Una singola soluzione in avanti può richiedere ore su CPU multi-core a causa della necessità di timestep ridotti per risolvere interfacce sottili e rapidamente evolventi e del forte accoppiamento tra le equazioni di Navier-Stokes, l'avvezione VOF e la tensione superficiale.

I modelli surrogati neurali standard affrontano sfide uniche in questo contesto:

1. Discretizzazione Dinamica: La mesh AMR sottostante evolve nel tempo e cambia con la geometria, rendendo insufficienti le rappresentazioni a griglia fissa.
2. Dinamiche Complesse: I flussi multifase comportano discontinuità, cambiamenti di topologia e dinamiche di interfaccia altamente non lineari.
3. Accoppiamento Geometria-Flusso: Gli approcci esistenti tipicamente si condizionano sulla geometria in contesti semplificati e stazionari, o apprendono rappresentazioni latenti di dinamiche complesse senza un esplicito condizionamento geometrico. Manca una mancanza di rappresentazioni congiunte che catturino simultaneamente la geometria dell'ugello e l'evoluzione transitoria.

Metodologia

Gli autori propongono un surrogato latente condizionato dalla geometria addestrato su 797 simulazioni di ugelli bifase. L'innovazione principale consiste nell'codificare il campo di densità delle celle AMR (un proxy di dove il solutore concentra la risoluzione) piuttosto che l'intero stato del flusso multi-canale. Ciò trasforma la discretizzazione adattiva da un sottoprodotto computazionale in un segnale apprendibile.

L'architettura è composta da due fasi:

Fase 1: Rappresentazione Latente Condivisa (VAE)

Questa fase apprende un vettore latente compatto e indipendente dal tempo $z$ che accoppia la geometria dell'ugello e l'evoluzione transitoria del flusso.

• Encoder: Un Fourier Neural Operator (FNO) mappa un singolo snapshot di densità ($\kappa$) verso i parametri latenti $(\mu, \log \sigma^2)$. L'encoder è cieco rispetto al tempo.
• Decoder (Flusso): Un decoder SIREN (Sinusoidal Representation Network) condizionato temporalmente ricostruisce l'evoluzione della densità transitoria $\hat{\kappa}(x, y; t)$ dal codice latente $z$, dal tempo $t$ e dalle coordinate spaziali. Utilizza il condizionamento FiLM con caratteristiche di Fourier spaziali multi-scala e caratteristiche temporali sinusoidali.
• Testa Geometrica: Un'Implicit Neural Representation (INR) 1D decodifica i confini della parete dell'ugello ($y_{upper}(x), y_{lower}(x)$) dallo stesso codice latente $\mu$.
• Addestramento: Il modello è addestrato end-to-end solo sulla supervisione di densità e pareti dell'ugello, utilizzando una funzione di perdita che include l'errore di ricostruzione, l'errore geometrico e una penalità di divergenza KL a "free-bits" per prevenire il collasso del posteriore.

Fase 2: Predittore di Campo

Un U-Net leggero viene addestrato separatamente per mappare la densità ricostruita $\hat{\kappa}$ verso le restanti variabili di flusso: frazione volumetrica ($f$) e velocità ($u, v$). Questa fase opera sull'assunto che la densità agisca come un segnale spaziale sparso che condiziona i campi di velocità e frazione volumetrica definiti globalmente.

Strategie di Inferenza

Il framework supporta due percorsi di inferenza:

1. Basata su Snapshot: Dato uno snapshot di densità, l'encoder produce $z$, che viene poi scansionato nel tempo per ricostruire l'intera traiettoria.
2. Solo Geometria: Data una geometria target dell'ugello $g^*$ senza uno snapshot di flusso, il latente $z^*$ viene recuperato tramite ottimizzazione vincolata nello spazio latente per minimizzare la distanza tra la geometria decodificata e $g^*$.

Contributi Chiave

1. Densità cellulare AMR come Rappresentazione: Il documento introduce il campo di densità cellulare AMR come una rappresentazione compatta e apprendibile per la modellazione surrogata condizionata dalla geometria di flussi bifase transitori, sfruttando la struttura della mesh adattiva come un proxy compatto per la complessità del flusso.
2. Accoppiamento Latente Condiviso: Viene proposta una rappresentazione latente condivisa che accoppia la geometria dell'ugello e l'evoluzione transitoria del flusso. Ciò consente la ricostruzione geometrica e la decodifica del flusso dipendente dal tempo da un singolo codice compatto. Fondamentalmente, ciò permette il recupero di un latente utilizzabile partendo dalla sola geometria tramite ottimizzazione vincolata.
3. Inferenza One-Shot Efficiente: Il metodo dimostra un'inferenza surrogata rapida "one-shot" (senza rollout autoregressivo), riducendo il tempo di previsione della traiettoria da ore di CPU a millisecondi pur preservando le dinamiche chiave dell'interfaccia.

Risultati

Il modello è stato valutato su 81 simulazioni di test tenute fuori dal set (circa 3.155 snapshot) con una divisione rigorosa a livello di simulazione.

• Accuratezza di Ricostruzione:
  • Densità: Ha raggiunto un errore quadratico medio (MSE) di test di $2.74 \times 10^{-3}$ (PSNR 30.2 dB).
  • Geometria: Ha decodificato le pareti dell'ugello con un errore assoluto medio (MAE) di $1.13 \times 10^{-2}$ in coordinate fisiche.
  • Campi di Flusso: Lo Stage-2 U-Net ha ottenuto MSE di test di $1.33 \times 10^{-3}$ per la frazione volumetrica, $2.50 \times 10^{-3}$ per la velocità longitudinale ($u$) e $1.60 \times 10^{-3}$ per la velocità trasversale ($v$).
• Velocità: Il tempo di inferenza è di circa 0.045 secondi per traiettoria su una GPU Apple M4, rappresentando un'accelerazione di oltre $6 \times 10^4$ rispetto al solutore CFD di riferimento Basilisk (che richiede 45–90 minuti su 12 core CPU).
• Generalizzazione vs. Nearest Neighbor: Il surrogato ha superato un baseline di "vicino più prossimo" (basato sulla distanza geometrica) di circa 2 volte in termini di MSE medio in tutti i canali, indicando che ha appreso mappature non banali geometria-flusso piuttosto che una semplice ritrasmissione della forma.
• Inversione Solo Geometria: Quando il latente veniva recuperato esclusivamente dalla geometria (senza uno snapshot di flusso), il metodo ha colmato il 55% del divario di prestazioni rispetto a un encoder "oracle" che aveva accesso allo snapshot di densità reale.

Significato e Rivendicazioni

Il documento afferma che la struttura di raffinamento AMR può servire come una rappresentazione compatta e apprendibile per la modellazione surrogata condizionata dalla geometria di flussi bifase transitori. Codificando la strategia di raffinamento del solutore stesso, il modello evita la necessità di apprendere direttamente l'intero stato ad alta dimensionalità.

Gli autori posizionano questo lavoro come un passo fondamentale verso workflow di design guidati dalla geometria nei sistemi multifase. Sostengono che tali rappresentazioni latenti condivise siano un mattone naturale per il design inverso, dove geometria e dinamiche sono intrinsecamente accoppiate.

Limitazioni e Ambito:
Gli autori sono modesti riguardo all'ambito delle loro rivendicazioni:

• I dati di addestramento sono limitati a 797 simulazioni all'interno di una specifica famiglia di ugelli NURBS a tre parametri e un singolo regime Reynolds-Weber.
• Il predittore dello Stage-2 è addestrato indipendentemente, il che significa che gli errori nella ricostruzione della densità si propagano alle previsioni di velocità e frazione volumetrica.
• La rappresentazione è legata al solutore specifico (Basilisk) e alla strategia di raffinamento utilizzata; la trasferibilità ad altri solutori non è ancora stata stabilita.
• La validazione contro esperimenti o simulazioni CFD indipendenti è indicata come necessaria per l'uso operativo, ma va oltre l'attuale ambito del lavoro.

Il lavoro futuro è identificato nell'estensione verso spazi di design a più dimensioni, l'aggiunta di teste per osservabili della distribuzione delle goccioline e la validazione dei design ottimizzati attraverso simulazioni indipendenti ad alta fedeltà per chiudere il cerchio tra il design appreso e la realtà fisica.