Information-Based Symbolic Regression of Local Closures for RANS Transition Modeling

Nel mondo dell'aerodinamica, l'aria che scorre su un'ala o sulla pala di una turbina non si comporta sempre nello stesso modo. All'inizio del suo viaggio, l'aria si muove in strati fluidi, ordinati e regolari, uno stato noto come flusso laminare. Ma mentre viaggia, questi strati possono improvvisamente rompersi in un caos vorticoso e disordinato chiamato turbolenza. Questo passaggio, noto come transizione, è un momento critico. Esso cambia il modo in cui l'aria esercita attrito sulla superficie, come il calore viene trasferito e, in ultima analisi, quanta portanza o resistenza un oggetto sperimenta. Per gli ingegneri che progettano di tutto, dalle turbine eoliche ai motori a reazione, prevedere esattamente dove e quando avviene questo switch è una delle sfide più ostinate della fisica moderna.

Per simulare questi flussi su un computer, gli scienziati utilizzano un insieme di equazioni che mediano le minuscole e rapide fluttuazioni della turbolenza. Tuttavia, queste equazioni mediate hanno un punto cieco: non riescono naturalmente a vedere la transizione dal flusso liscio a quello caotico. Per risolvere il problema, gli ingegneri aggiungono regole extra, chiamate "chiusure" (closures), che agiscono come sensori locali. Questi sensori cercano di indovinare lo stato del flusso utilizzando solo le informazioni disponibili in un singolo punto, invece di guardare l'intero campo di flusso. Il problema è che queste regole esistenti sono spesso approssimazioni grossolane, costruite su vecchi dati e assunzioni semplificate. Funzionano abbastanza bene per alcune situazioni, ma possono fallire quando le condizioni cambiano, portando a previsioni imprecise per velivoli o macchinari.

Un team di ricercatori spagnoli e francesi ha ora esaminato con occhi nuovi questi sensori locali. Invece di affidarsi alla tradizionale ricerca per tentativi ed errori o a complessi modelli informatici inspiegabili, hanno utilizzato un metodo che combina la teoria dell'informazione con la regressione simbolica. Pensate a questo come a un modo per lasciare che i dati parlino da soli, cercando la frase matematica più semplice e accurata che descriva la realtà fisica. Analizzando una vasta libreria di soluzioni idealizzate di flusso fluido, hanno scoperto nuovi modi più precisi per calcolare lo stato locale dell'aria. Hanno poi testato queste nuove formule in una simulazione completa di una piastra piana, un caso di test standard in aerodinamica. I risultati hanno mostrato che, sebbene le nuove formule fossero molto più accurate nel descrivere la fisica locale, il loro successo nel prevedere il momento effettivo della transizione dipendeva fortemente dalle specifiche condizioni del flusso, rivelando che migliorare una parte di un sistema complesso non garantisce sempre un risultato complessivo migliore.

I ricercatori hanno iniziato il loro lavoro creando un ambiente controllato per studiare la transizione. Hanno utilizzato una famosa famiglia di soluzioni matematiche note come profili Falkner-Skan. Queste soluzioni descrivono come l'aria scorre su una superficie piana sotto diverse condizioni di pressione, spaziando dall'aria spinta in avanti all'aria rallentata. In questo mondo teorico perfetto, i ricercatori conoscevano la risposta esatta per due quantità chiave: lo spessore del momento, che misura quanto il flusso d'aria sia rallentato dall'attrito, e un parametro del gradiente di pressione, che misura come la pressione cambia lungo la superficie. Queste quantità sono vitali per prevedere la transizione, ma in una simulazione al computer reale, non sono direttamente disponibili. Gli ingegneri devono solitamente stimarle usando indizi locali, come la distanza dalla parete o la velocità dell'aria nelle vicinanze.

Il primo passo del team è stato determinare quali indizi locali contenessero l'informazione più utile. Hanno trattato il problema come una ricerca del segnale più informativo. Utilizzando una tecnica basata sulla teoria dell'informazione, hanno testato migliaia di possibili combinazioni di variabili locali per vedere quali prevedessero meglio le risposte esatte e note dal loro database teorico. Hanno scoperto che, per il parametro del gradiente di pressione, l'indizio più informativo era una specifica combinazione di come la velocità dell'aria cambiasse perpendicolarmente alla parete e del quadrato della distanza dalla parete. Questo non è stata una sorpresa, poiché corrispondeva alla struttura della vecchia formula esistente, confermando che l'intuizione precedente era fisicamente fondata. Tuttavia, per lo spessore del momento, la ricerca ha rivelato un candidato migliore. Il metodo tradizionale si basava su una variabile legata alla rotazione del fluido, ma la nuova analisi ha mostrato che un semplice rapporto tra la velocità locale e la distanza dalla parete era molto più consistente e affidabile in diverse condizioni di flusso.

Con questi indizi superiori identificati, i ricercatori sono passati alla seconda fase: trovare la formula matematica esatta che connette i segnali locali ai valori reali. Hanno utilizzato uno strumento chiamato regressione simbolica, che agisce come un alchimista digitale. Invece di forzare i dati in una forma predefinita, questo strumento genera e testa milioni di possibili espressioni matematiche, mantenendo solo quelle che sono sia accurate che semplici. L'obiettivo era trovare un'equazione compatta che potesse essere facilmente inserita nel codice di un computer. Il risultato è stato un insieme di nuove formule esplicite che ricostruivano le vere quantità fisiche con una precisione molto superiore rispetto ai metodi standard. Per il parametro del gradiente di pressione, la nuova formula era un polinomio complesso che catturava sfumature sottili che la vecchia formula lineare tralasciava. Per lo spessore del momento, la migliore formula si è rivelata essere una relazione lineare sorprendentemente semplice, che era sia altamente accurata che facile da implementare.

La vera prova, tuttavia, non era solo quanto bene queste formule funzionassero in isolamento, ma come si comportassero quando inserite in una simulazione completa e funzionante di un modello di transizione. Il team ha implementato le loro nuove formule in un modello standard a una sola equazione utilizzato nei software ingegneristici e ha eseguito simulazioni della serie ERCOFTAC T3, un famoso insieme di esperimenti che coinvolgono l'aria che scorre su una piastra piana in varie condizioni. Questi esperimenti includevano casi con alta turbolenza, bassa turbolenza e diversi gradienti di pressione. I risultati sono stati rivelatori. In diversi casi, in particolare quelli con turbolenza moderata o alta e forti gradienti di pressione, le nuove formule hanno migliorato la previsione di dove avviene la transizione. La simulazione corrispondeva ai dati sperimentali più da vicino rispetto al modello originale.

Eppure, la storia non è stata una vittoria semplice. In due casi specifici che coinvolgevano un'intensità di turbolenza molto bassa, le nuove formule hanno effettivamente peggiorato le previsioni. La transizione è stata prevista troppo presto in un caso e troppo tardi nell'altro. Questo risultato ha evidenziato una lezione cruciale nella modellazione complessa: migliorare un singolo componente non risolve automaticamente l'intera macchina. Il modello di transizione è un equilibrio delicato di molte parti interagenti. Quando i ricercatori hanno sostituito le formule locali, hanno cambiato l'equilibrio dell'intero sistema. In alcuni scenari, le nuove formule, più accurate, hanno esposto le debolezze di altre parti del modello, come il modo in cui il sistema stima l'intensità della turbolenza in entrata. I ricercatori hanno osservato che le regole esistenti per stimare questa intensità di turbolenza potrebbero dover essere aggiornate per adattarsi alle nuove e più precise formule locali. Senza tali aggiustamenti, i benefici delle nuove formule potrebbero essere persi o addirittura invertiti.

Lo studio conclude che, sebbene la regressione simbolica basata sull'informazione sia uno strumento potente per creare regole locali più chiare e accurate, non è una bacchetta magica che risolve l'intero problema della modellazione della transizione. Le nuove formule forniscono una rappresentazione più fedele della fisica locale, offrendo una base solida per futuri miglioramenti. Tuttavia, i ricercatori sottolineano che affinché queste nuove regole funzionino perfettamente in tutte le situazioni, l'architettura del resto del modello potrebbe dover essere ricalibrata. Il lavoro suggerisce un percorso in cui i metodi basati sui dati possano affinare sistematicamente i mattoni dei modelli di turbolenza, ma funge anche da promemoria del fatto che, nel complesso mondo della fluidodinamica, ogni pezzo deve incastrarsi perfettamente affinché emerga l'immagine completa. I ricercatori intendono estendere il loro lavoro a flussi tridimensionali più complessi e rivisitare le altre parti del modello per vedere se possono essere migliorate allo stesso modo, puntando a un futuro in cui le previsioni di transizione siano affidabili e trasparenti come la fisica che descrivono.