A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows

Sintesi Tecnica: Un Dataset LBM Validato e una Pipeline per la Modellazione Surrogata di Flussi Turbolenti in Canali 3D con Ostacoli

Definizione del Problema
Le simulazioni di Fluidodinamica Computazionale (CFD) di flussi turbolenti 3D a numeri di Reynolds (Re) da moderati ad elevati rimangono computazionalmente proibitive, anche con l'attuale parallelizzazione su GPU. Sebbene i modelli surrogati basati sul Machine Learning (ML) offrano una via per accelerare le predizioni, la loro rigorosa valutazione è ostacolata dalla mancanza di dataset validati e di alta qualità che presentino geometrie complesse. I database esistenti, come il Johns Hopkins Turbulence Database, si concentrano su configurazioni canoniche (ad esempio, turbolenza isotropa) piuttosto che su flussi 3D attorno a oggetti complessi rilevanti per l'ingegneria. Inoltre, il confronto equo tra gli operatori neurali allo stato dell'arte (ad esempio, Fourier Neural Operators, U-Nets) è difficile senza benchmark fisici coerenti e metriche che catturino i fenomeni turbolenti critici, come il cascata energetica (energy cascade) e la dinamica ad alta frequenza.

Metodologia
Gli autori presentano una pipeline riproducibile progettata per generare dati di addestramento per flussi in canali 3D attorno a geometrie generate proceduralmente a numeri di Reynolds compresi tra 1.000 e 10.000. La metodologia consiste in tre fasi primarie:

1. Generazione della Geometria e dei Dati: La pipeline genera oggetti derivati (cilindri, rettangoli, sfere, tori, cunei) all'interno di un dominio computazionale di $2 \times 1 \times 1$ (unità di altezza del canale). Le simulazioni sono condotte utilizzando il framework waLBerla, che fornisce implementazioni del metodo Lattice Boltzmann (LBM) altamente ottimizzate e basate su codice generato.
2. Configurazione del Solutore: Il solutore LBM utilizza uno stencil D3Q27 con operatori di collisione cumulativi, offrendo una maggiore stabilità numerica e accuratezza rispetto ai modelli standard a tempo di rilassamento multiplo. Per migliorare la precisione nei flussi turbolenti, viene impiegato uno schema di correzione advezione-diffusione del quarto ordine con limitatore. Significativamente, l'approccio cattura la cascata energetica senza modelli espliciti di sottogriglia (SGS, come lo Smagorinsky), poiché i test hanno indicato che l'aggiunta di modelli SGS riduceva l'accuratezza fisica in questo regime. L'interazione fluido-solido utilizza uno schema di bounce-back quadratico per una precisione spaziale del secondo ordine.
3. Protocollo di Validazione: Il dataset è rigorosamente validato rispetto a misurazioni sperimentali (specificamente Choi e Park [13] per il flusso attorno a una sfera) e benchmark numerici. Le metriche di validazione includono:
   • Coefficienti di Drag: Confrontati con Roos e Willmarth [15] attraverso varie risoluzioni di griglia per garantire la convergenza della griglia.
   • Numero di Strouhal: Validazione della dinamica di distacco dei vortici.
   • Lunghezza di Ricircolo: Misurazione delle dimensioni della bolla di ricircolo.
   • Fluttuazioni Turbolente: Valutazione dell'intensità turbolenta della velocità longitudinale e delle statistiche delle fluttuazioni di velocità.
   • Strutture Turbolente: Verifica visiva di strutture coerenti come i vortici a forcina (hairpin vortices).

Il dataset finale comprende flussi attorno a 42 oggetti generati proceduralmente, memorizzati come file HDF5 a risoluzioni che vanno da $64^3$ a $1024 \times 512 \times 512$ (le simulazioni sono eseguite alla piena risoluzione, ma memorizzate a metà).

Contributi Chiave

• Pipeline Validata: Un workflow completo e riproducibile per la generazione di dati di flusso turbolento 3D attorno a geometrie complesse, colmando il divario tra i database canonici e gli scenari rilevanti per l'ingegneria.
• Verifica Rigorosa: La configurazione del solutore LBM è verificata rispetto ai dati sperimentali per i numeri di Strouhal, i coefficienti di drag e le fluttuazioni turbolente, con studi completi di convergenza della griglia che confermano l'accuratezza numerica ad alte risoluzioni ($1024 \times 512 \times 512$).
• Standardizzazione dei Benchmark: Questo lavoro stabilisce un quadro per il confronto standardizzato degli operatori neurali (FNO, U-Net) su compiti che includono previsione (forecasting), super-risoluzione e correzione dell'errore, utilizzando metriche informate dalla fisica.
• Baseline Preliminari: Gli autori forniscono benchmark iniziali delle prestazioni per le architetture Fourier Neural Operators (FNO) e U-Net nella predizione dei campi di velocità medi a partire da maschere geometriche.

Risultati

• Accuratezza del Solutore: Il solutore LBM ha dimostrato un comportamento convergente nei coefficienti di drag, corrispondendo ai valori sperimentali entro $\pm 6\%$ con una risoluzione di 512 celle. Le lunghezze di ricircolo ($l_r/D \approx 1.8$) e i numeri di Strouhal ($St \approx 0.18$) sono allineati ai valori della letteratura. Gli snapshot istantanei hanno riprodotto con successo le strutture coerenti su piccola scala, come i vortici a forcina.
• Prestazioni del Modello Surrogato: Nei test preliminari di baseline per la predizione dei campi di velocità longitudinale media:
  • La U-Net (5 strati) ha ottenuto i tassi di errore più bassi (MSE: $1.22 \times 10^{-4}$, NRMSE: 0.0159) e il throughput più elevato (32.87 campioni/s).
  • Le varianti FNO (Original, Hybrid, Factorized) hanno mostrato errori più elevati (MSE compreso tra $6.01 \times 10^{-4}$ e $11.13 \times 10^{-4}$) e un throughput inferiore rispetto alla U-Net.
  • La U-Net è identificata come il candidato più promettente per la ricerca futura sulla base di questi risultati iniziali.

Significato e Lavoro Futuro
Il presente articolo posiziona questo lavoro come un passo fondamentale verso l'avanzamento delle reti neurali basate sulla fisica e dei solutori numerici ibridi differenziabili. Fornendo un dataset e una pipeline validati, gli autori mirano a consentire confronti equi e sistematici degli operatori neurali nei regimi di flusso turbolento.

Gli autori dichiarano esplicitamente che i risultati baseline attuali servono solo come dimostrazioni di prova di concetto, mancando di una sintonizzazione completa degli iperparametri e della stima della varianza. Il lavoro futuro delineato nel documento include:

• Valutazione sistematica delle varianti U-Net e FNO su compiti di previsione, super-risoluzione e correzione dell'errore.
• Implementazione di funzioni di perdita espanse che combinano componenti avversarie e spettrali per affrontare il bias spettrale (la tendenza a smussare eccessivamente le strutture su piccola scala).
• Esplorazione dei meccanismi di attenzione nelle U-Net e FNO condizionate dal tempo (Time-Conditioned).
• Un confronto rigoroso dei costi computazionali tra i solutori tradizionali e i surrogati neurali per valutarne l'applicabilità pratica.

Gli autori invitano la comunità a fornire feedback sul loro approccio di validazione e sulle priorità di valutazione, sottolineando che l'obiettivo ultimo è sostenere lo sviluppo di modelli surrogati efficienti e fisicamente accurati per i flussi turbolenti 3D.