Accelerating droplet-laden Stokes flow simulations with hierarchical surrogate modeling

Sintesi Tecnica: Accelerazione delle simulazioni di flusso di Stokes con carichi di goccioline tramite modellazione surrogata gerarchica

Problematica
Il documento affronta le sfide computazionali inerenti alla simulazione di flussi di Stokes multifase incomprimibili che coinvolgono un gran numero ($M$) di goccioline liquide immiscibili sospese in un fluido vettore. La simulazione accurata di tali sistemi ad alta fedeltà è estremamente esigente dal punto di vista computazionale, particolarmente quando le goccioline sono altamente concentrate, si avvicinano ai confini o interagiscono strettamente tra loro. Le tecniche di discretizzazione standard, come i metodi a elementi finiti (che richiedono il rimodellamento della mesh ripetuto) o i metodi a integrale di contorno (che richiedono quadrature specializzate per integrali quasi-singolari), faticano a gestire i gap interfacciali stretti e le interazioni vicino ai bordi. Sebbene i metodi basati sulle particelle evitino il rimodellamento della mesh, essi spesso richiedono risoluzioni fini per l'accuratezza e mancano della precisione dei metodi ad alto ordine. Gli autori mirano a sviluppare una strategia di modellazione surrogata che permetta la previsione efficiente dell'evoluzione delle goccioline in configurazioni densamente impacchettate e variabili nel tempo, senza il costo proibitivo delle simulazioni multi-fluido completamente risolte.

Metodologia
L'approccio proposto è un framework di modellazione surrogata gerarchica, multi-fedeltà e basato sulla fisica. Esso si basa su una strategia iterativa di correzione dell'errore piuttosto che trattare il surrogato come una "black box". La metodologia procede come segue:

1. Approssimazione a più bassa fedeltà: Il processo inizia con una soluzione base di Stokes ($u_0, p_0$) dove le goccioline sono trattate come traccianti passivi. Ciò assume una viscosità "nominale" omogenea in tutto il dominio, trascurando i contrasti di viscosità e la tensione superficiale.
2. Derivazione dell'equazione dell'errore: Gli autori derivano un'equazione alle derivate parziali (PDE) che governa il campo di errore ($v, q$) tra la soluzione reale e l'approssimazione a più bassa fedeltà. Questa equazione dell'errore tiene conto del salto di viscosità e delle forze di tensione superficiale attraverso le interfacce delle goccioline.
3. Correzione gerarchica tramite iterazione: Invece di risolvere direttamente l'equazione globale dell'errore (che manterrebbe la complessità computazionale originale), il metodo impiega uno schema iterativo alternato:
   • Correzione delle goccioline: L'equazione globale dell'errore viene decomposta in $M$ problemi locali indipendenti, ciascuno dei quali rappresenta la perturbazione del flusso causata da una singola gocciolina in spazio libero. Questi problemi locali vengono risolti approssimativamente.
   • Correzione del confine: La sovrapposizione delle correzioni locali viola le condizioni al contorno globali. Una successiva fase di "correzione del confine" risolve un problema di Stokes globale (senza goccioline) per ripristinare la coerenza con i confini del dominio.
   • Iterazione: Questi due passaggi (correzioni delle goccioline e del confine) vengono ripetuti fino a quando non viene soddisfatto un criterio di convergenza basato sui residui del confine.
4. Efficienza Offline-Online: Per goccioline geometricamente simili (specificamente circolari nei test presentati), il metodo sfrutta l'autosimilarità. I problemi della singola gocciolina vengono mappati su un disco unitario di riferimento. Viene utilizzato un approccio a sottospazio lineare per approssimare l'operatore di soluzione per questi problemi a singola gocciolina utilizzando un piccolo insieme di "soluzioni fondamentali" precomputate corrispondenti a campi di flusso polinomiali. Ciò consente che la valutazione online delle correzioni delle goccioline sia eseguita tramite semplici combinazioni lineari, riducendo significativamente il costo computazionale.

Contributi Chiave

• Correzione dell'errore basata sulla fisica: Il documento introduce una strategia iterativa multi-fedeltà che recupera sistematicamente soluzioni ad alta fedeltà risolvendo equazioni di errore basate su PDE, evitando la natura "black box" di molti surrogati basati sul machine learning.
• Sostituzione del raffinamento con l'iterazione: Il metodo evita l'elevata complessità della risoluzione di equazioni globali dell'errore in domini densamente impacchettati, costruendo le correzioni localmente attraverso la sovrapposizione di campi di singola gocciolina. Ciò riduce i requisiti di memoria e il costo computazionale.
• Scalabilità per molte goccioline: Il framework è progettato per gestire sistemi con fino a $10^4$ goccioline. Decoppiando il problema del confine globale dalle interazioni locali delle goccioline e utilizzando soluzioni fondamentali precomputate, il metodo ottiene accelerazioni sostanziali rispetto alle simulazioni completamente risolte.
• Gestione della tensione superficiale: Per le goccioline circolari, gli effetti della tensione superficiale sono considerati esattamente tramite salti di pressione, consentendo alla correzione iterativa di concentrarsi sui contrasti di viscosità e sulle interazioni di flusso.

Risultati
Esperimenti numerici in due dimensioni validano l'accuratezza ed l'efficienza del surrogato proposto:

• Accuratezza: Il surrogato raggiunge errori relativi inferiori a $\sim 0,1\%$ rispetto alle simulazioni CutFEM ad alta fedeltà completamente risolte. I test di convergenza mostrano una convergenza esponenziale rispetto al grado polinomiale delle soluzioni fondamentali e una convergenza robusta delle iterazioni a punto fisso, anche per goccioline in stretta vicinanza ai confini o tra loro.
• Efficienza: In una simulazione nel dominio temporale con 50 goccioline, il surrogato ha ottenuto un'accelerazione di 80 volte rispetto al codice di riferimento CutFEM mantenendo un'accuratezza accettabile. Una versione "a più bassa fedeltà" con tracciante passivo ha ottenuto un'accelerazione di $3 \times 10^5$ con un errore di un ordine di grandezza superiore.
• Scalabilità: Per problemi statici con fino a $10^4$ goccioline, i costi di addestramento e valutazione del surrogato scalano favorevolmente. Sebbene l'addestramento presenti una scalabilità quadratica ($O(M^2)$) a causa delle interazioni a coppie, il costo di valutazione è lineare ($O(M)$) quando il numero di punti di valutazione è moderato. Il metodo rimane competitivo con CutFEM per $M < 5000$ includendo i costi di valutazione, e supera significativamente CutFEM quando è richiesta solo un numero limitato di valutazioni (ad esempio, per l'avvezione di marcatori in simulazioni nel dominio temporale).
• Robustezza: Lo schema iterativo ha dimostrato robustezza anche in configurazioni non fisiche con goccioline sovrapposte, convergendo laddove i metodi standard potrebbero fallire o richiedere un eccessivo raffinamento della mesh.

Significatività e Rivendicazioni
Gli autori affermano che questo framework di modellazione surrogata gerarchica offre una via pratica per simulare flussi di Stokes multifase complessi su workstation standard, un compito che tipicamente richiede risorse di supercalcolo per i metodi ad alta fedeltà. Il metodo è particolarmente significativo per scenari che coinvolgono molte goccioline e piccole separazioni interfacciali, dove le tecniche di discretizzazione standard affrontano gravi colli di bottiglia computazionali. Il documento sottolinea che l'approccio cattura sistematicamente le interazioni goccia-flusso, goccia-confine e goccia-goccia. Sebbene l'attuale implementazione assuma goccioline circolari, gli autori osservano che il framework è sufficientemente ricco da motivare future estensioni a goccioline deformabili e potenzialmente ai flussi di Navier-Stokes. Il lavoro dimostra che combinando intuizioni fisiche (PDE dell'errore) con un'efficiente algebra lineare numerica (approssimazioni di sottospazio), si può ottenere un equilibrio tra accuratezza e trattabilità computazionale precedentemente non raggiungibile per sistemi di goccioline su larga scala.