Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

Dit artikel presenteert een machine learning-framework dat nauwkeurige, concentratieafhankelijke niet-Newtoniaanse rheologische modellen afleidt uit discrete element methode-simulaties, wat efficiënte en precieze grootschalige Lagrangiaanse zeeijsmodellering mogelijk maakt die complexe gedragingen zoals shear-thinning en shear-thickening over variërende ijsconcentraties vastlegt.

De kern

Stel je de Noordelijke IJszee voor als een gigantische, bevroren puzzel gemaakt van miljoenen individuele ijsstukken, of "ijsschotsen". Deze stukken drijven, botsen tegen elkaar, wrijven tegen elkaar en stapelen zich soms op tot ruggen. Decennialang hebben wetenschappers geprobeerd te voorspellen hoe deze gigantische puzzel beweegt met behulp van computermodellen.

De Oude Manier: Een Ruwe Schatting
Traditioneel behandelden wetenschappers het zeeijs als een dikke, plakkerige vloeistof (zoals honing of verf). Ze gebruikten een 50 jaar oud recept om te raden hoe "dik" of "plakkerig" het ijs zou zijn onder druk. Dit recept werkt redelijk goed wanneer het ijs strak gepakt is in het midden van de oceaan, maar het valt uit elkaar wanneer het ijs dunner is of dichter bij de randen ligt. Het is alsof je probeert te voorspellen hoe een menigte mensen beweegt door aan te nemen dat iedereen een enkele, solide blok klei is; het negeert het feit dat mensen individueel tegen elkaar aan botsen, glijden en duwen.

De Nieuwe Manier: Leren van de "Deeltjes"
De auteurs van dit artikel wilden een beter recept. Ze begonnen met een supergedetailleerde computersimulatie genaamd de "Discrete Element Method" (DEM). Denk aan dit als een hoogwaardige videogame waarin elk ijsstuk een apart personage is met zijn eigen natuurkunde. Het berekent elke botsing en elk wrijvingspunt. Dit is ongelooflijk nauwkeurig, maar het is zo rekenintensief dat het onmogelijk is om dit voor de hele wereldzeeën te draaien.

Dus vroegen de onderzoekers zich af: Kunnen we een simpeler model leren om te handelen als dit supergedetailleerde spel?

De Oplossing: Een "Slimme" Vloeistof
Ze bouwden een nieuw model dat het ijs weer als een vloeistof behandelt, maar in plaats van een vaste, oude formule te gebruiken voor hoe "dik" het is, gebruikten ze Kunstmatige Intelligentie (AI) om het recept onderweg te leren.

Zo hebben ze het gedaan, met behulp van een eenvoudige analogie:

1. De Leraar: De supergedetailleerde "video game" (DEM) fungeert als de leraar. Het draait simulaties en laat de resulterende snelheid en richting van het ijs zien.
2. De Leerling: Het nieuwe, simpelere vloeistofmodel fungeert als de leerling. Het heeft een "brein" (een neuraal netwerk) dat raadt hoe dik het ijs op elk gegeven moment is.
3. De Les: De leerling probeert de resultaten van de leraar na te bootsen. Als de voorspelling van de leerling over de snelheid van het ijs fout is, past het AI-brein zijn interne instellingen aan om dichter bij het antwoord van de leraar te komen.
4. Het Regelboek: Cruciaal is dat ze de AI niet zomaar alles lieten raden. Ze dwongen de AI om de wetten van de natuurkunde te volgen (zoals behoud van energie en symmetrie), zodat de resultaten zin maken in de echte wereld.

Wat Ze Ontdekten
Door de AI te laten leren van de gedetailleerde simulatie, ontdekten ze enkele verrassende dingen over zeeijs:

• Het is Niet Alleen Plakkerig; Het Is Slim: Het ijs gedraagt zich niet altijd op dezelfde manier.
  • Wanneer het ijs matig dicht gepakt is, gedraagt het zich als een schervend verdikkende (shear-thickening) vloeistof (zoals maïzena en water). Als je er harder tegenaan duwt, wordt het harder en weerbaarder, bijna alsof het in een solide rots verandert.
  • Wanneer het ijs zeer strak gepakt is, gedraagt het zich als een schervend verdunnende (shear-thinning) vloeistof (zoals ketchup). Als je er harder tegenaan duwt, stroomt het eigenlijk makkelijker.
• Kleine Veranderingen, Grote Effecten: Een kleine verandering in hoeveelheid oceaanbedekking door ijs (slechts 5% meer of minder) kan de "viscositeit" (stroperigheid) van het ijs met duizenden malen veranderen. Het is als een lichtschakelaar die van "vloeibaar" naar "vast" gaat met de kleinste aanpassing.
• Het Werkt Overal: Ondanks dat ze de AI alleen hebben onderwezen met eenvoudige, rechte wind- en waterstromen, kon het model succesvol voorspellen hoe het ijs zou bewegen in complexe, draaiende of veranderende weerspatronen. Het werkte zelfs toen ze het testten op een 2D-kaart, en niet alleen in een rechte lijn.

Waarom Dit Belangrijk Is
Het artikel concludeert dat deze methode een grote stap voorwaarts is. In plaats van te gokken hoe ijs zich gedraagt met oude, imperfecte formules, kunnen we nu de regels direct "leren" van hoogwaardige data. Dit stelt wetenschappers in staat om modellen te creëren die zowel snel genoeg zijn om op een wereldwijde schaal te draaien als nauwkeurig genoeg om de complexe, hobbelige realiteit van hoe ijsplaten daadwerkelijk met elkaar interageren, te vangen.

Kortom, ze hebben een simpel vloeistofmodel geleerd om te "denken" als een complexe menigte ijsstukken, wat heeft geleid in een veel nauwkeurigere manier om te voorspellen hoe onze bevroren oceanen zullen bewegen.

Technische samenvatting

Technische Samenvatting: Niet-Newtoniaanse Viskeuze Vloeistofmodellen met Geleerde Rheologie voor Zeeijs

Probleemstelling
Nauwkeurige voorspelling van de dynamiek van zeeijs is cruciaal voor klimaatmodellering en kustveiligheid, maar bestaande continuümmodellen kampen met aanzienlijke beperkingen. De standaardaanpak, het Hibler visco-plastische model (gebaseerd op het AIDJEX-werk van 50 jaar geleden), presteert redelijk goed voor compact ijs in de centrale ijskap, maar verliest aan voorspellende nauwkeurigheid in de marginale ijszone. In deze regio's leiden lagere ijsconcentraties tot granulaire effecten — zoals botsingen, wrijvingscontact en rillingen (ridging) — die het Hibler-model niet vangt. Daartegenover staan Discrete Element Methoden (DEM's), die individuele ijsschotsen en hun interacties oplossen, wat een hoge getrouwheid biedt maar computationeel onhaalbaar is voor grootschalige simulaties. Hoewel datagedreven benaderingen met behulp van wetenschappelijke machine learning (sciML) zijn opgegekomen om rheologie te parametriseren, vertrouwen veel van deze methoden op vooraf gedefinieerde functionele vormen of spanning-rekdata die ruisgevoelig kunnen zijn of niet beschikbaar zijn uit observaties. Bovendien richt huidig werk zich vaak op vloeistoffen waarbij standaard niet-lineaire viscositeitsmodellen volstaan, terwijl de rheologische structuur van complexe DEM-zeeijsdata niet duidelijk gedefinieerd is.

Methodologie
De auteurs stellen een raamwerk voor om een continuüm niet-Newtoniaans viskeus vloeistofmodel af te leiden dat de door een DEM (specifiek het SubZero-model) berekende snelheidvelden reproduceert. De kernmethodologie bestaat uit de volgende stappen:

1. Datageneratie: De auteurs genereren trainingsdata met behulp van de SubZero DEM, die onregelmatige polygonale ijsschotsen simuleert die interageren via botsingen en wrijving. De simulaties worden gedreven door oceaanweerstand en windkrachten in een unidirectionele parallelle afschuivingsconfiguratie. De DEM lost de beweging van duizenden schotsen op, waaruit horizontale snelheden en afschuivingsspanningen ruimtelijk worden gemiddeld over gridcellen om Euleriaanse datasets te creëren.
2. Rheologische Parametrisering: In plaats van een specifieke functionele vorm aan te nemen, wordt de effectieve afschuivingsviscositeit $\psi$ gerepresenteerd als een feedforward neuraal netwerk (NN). De rheologie wordt beperkt door fysische principes:
   • Frame-invariantie: De constitutieve wet wordt geformuleerd als een scalaire functie van de hoofdinvarianten van de rek-snelheidstensor (in 1D, $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • Positiviteit en Monotoniciteit: De NN-architectuur dwingt een niet-negatieve viscositeit af (met behulp van de ELU-activatiefunctie) en de monotoniciteit van de spanning-rek-kaart om te garanderen dat de resulterende PDE goed-gesteld en uniek oplosbaar is.
3. Trainingsstrategie (PDE-beperkte Optimalisatie): In tegenstelling tot standaardbenaderingen die de spanning-rek-mismatch minimaliseren, minimaliseert dit raamwerk de mismatch tussen de DEM-snelheidsdata en de oplossing van de continuüm-impulsvergelijking. Het trainingsdoel is $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$, waarbij $u(\theta, A)$ de oplossing is van de PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$.
   • De optimalisatie wordt uitgevoerd met een combinatie van de eindige elementenmethode (Firedrake) en automatische differentiatie (PyTorch).
   • Gradiënten worden berekend via de adjoint-methode, waarbij het gelinieerde adjoint-probleem wordt opgelost om de NN-gewichten $\theta$ bij te werken.
   • Er wordt een tweestapsoptimalisatie toegepast: eerst het minimaliseren van een spanning-rek-mismatch ($J_s$) om een initiële schatting te geven, gevolgd door verfijning met de snelheid-mismatch ($J_v$).

Belangrijkste Resultaten
De studie toont aan dat een geleerde, niet-lineaire rheologie de DEM-snelheidsvelden accuraat kan reproduceren over een breed scala aan condities:

• Afschuivingsverdikking en Afschuivingsverdunning: De afgeleide rheologie onthult een transitie in gedrag afhankelijk van de ijsconcentratie ($A$). Bij lagere concentraties (bijv. $A=0.85$) vertoont het zeeijs afschuivingsverdikkend gedrag (viscositeit neemt toe met de afschuivingssnelheid). Bij hogere concentraties (bijv. $A=0.95$) gaat het gedrag over naar afschuivingsverdunning.
• Gevoeligheid voor Concentratie: De effectieve afschuivingsviscositeit blijkt met enkele grootheden toe te nemen bij kleine veranderingen in de ijsconcentratie (slechts 5%).
• Generalisatie: Het getrainde model, met vaste gewichten, generaliseert succesvol naar:
  • Verschillende Krachten: Onstabiele problemen gedreven door tijdsafhankelijke wind- en oceaanprofielen, inclus\u0and de "niet-geziene" concentraties (bijv. $A=0.875$) die niet in de trainingsset aanwezig waren.
  • 2D-Configuraties: Het model reproduceert accuraat de snelheidvelden in een tweedimensionale incompressibele opstelling, waarbij de symmetrieën waargenomen in de DEM behouden blijven, hoewel het geen compressie-effecten zoals lokale concentratieverdeling kan vatten.
  • Vergelijking met Spanning-Rek Passing: De auteurs merken op dat een model dat de ruisgevoelige spanning-rekdata van de DEM nauwgezet past, niet noodzakelijkerwijs de snelheidvelden accuraat reproduceert. De op snelheid gebaseerde optimalisatie ($J_v$) blijkt superieur voor het vastleggen van de macroscopische dynamica.

Betekenis en Claims
Het artikel claimt dat dit raamwerk een "grote stap" vormt naar de ontwikkeling van niet-Newtoniaanse modellen die de waargenomen zeeijs-dynamiek accuraat kunnen reproduceren. Door rheologie direct af te leiden uit snelheiddata (die gemakkelijker beschikbaar zijn via satellietbeelden dan spanningdata) en de regerende PDE in de trainingslus in te bedden, overwint de methode de beperkingen van fenomenologische parametriseringen en de hoge kosten van DEM's.

De auteurs benadrukken dat hun aanpak geen vooraf bestaande rheologische vorm veronderstelt, waardoor de ontdekking van complexe gedragingen (zoals de transitie van afschuivingsverdikking naar afschuivingsverdunning) mogelijk wordt die standaardmodellen zoals die van Hibler (die voor alle concentraties plastisch gedrag voorspellen) of eenvoudige collisionele modellen zouden missen. Hoewel het huidige model incompressibiliteit aanneemt en mechanische vervormingen zoals breukvorming en rillingen negeert, biedt het raamwerk een fysisch zinvol, computationeel efficiënt continuümmodel dat de essentiële dynamiek van granulair zeeijsverloop vastlegt. Het werk suggereert dat datagedreven rheologie-inferentie de kloof kan overbruggen tussen hoogwaardige discrete simulaties en schaalbare continuümmodellen voor aardse systeemmodellen.