XRePIT: A deep learning-computational fluid dynamics hybrid framework implemented in OpenFOAM for fast, robust, and scalable unsteady simulations

Dit paper introduceert XRePIT, een OpenFOAM-gebaseerd hybride framework dat autoregressieve neurale surrogaten koppelt aan traditionele CFD-oplossers via een automatische residual-gestuurde schakelmechanisme, waardoor stabiele, schaalbare en tot 2,91x versnelde onstabiele 3D-stromingssimulaties mogelijk worden zonder fysieke drift.

De kern

XRePIT: De slimme piloot voor vloeistofsimulaties

Stel je voor dat je een heel complex weermodel wilt bouwen, of wilt simuleren hoe warmte zich verspreidt in een kernreactor. Om dit precies te doen, gebruiken wetenschappers supercomputers die de natuurwetten (zoals hoe lucht stroomt en warmte draagt) stap voor stap berekenen. Dit noemen ze CFD (Computational Fluid Dynamics).

Het probleem? Deze berekeningen zijn extreem traag. Het kan dagen duren om te simuleren wat er in enkele seconden gebeurt. Het is alsof je een auto wilt bouwen door elke bout met de hand te draaien in plaats van een machine te gebruiken.

Aan de andere kant hebben we Kunstmatige Intelligentie (AI). AI kan heel snel voorspellingen doen, net als een ervaren piloot die op zijn ervaring vertrouwt. Maar AI heeft een groot nadeel: als je het te lang alleen laat vliegen, begint het te hallucineren. Het maakt kleine foutjes, die groter worden, en uiteindelijk vliegt het de auto tegen een boom (de simulatie wordt onrealistisch en instabiel).

XRePIT is de oplossing die deze twee wereldjes samenbrengt. Het is een slimme hybride methode die de snelheid van AI combineert met de nauwkeurigheid van de traditionele berekeningen.

De Analogie: De Vliegschool

Om te begrijpen hoe XRePIT werkt, kun je het vergelijken met een vliegschool:

1. De AI (De Leerling): De AI is de leerlingpiloot. Hij is supersnel en kan de vliegtuigcontroles in een flits bedienen. Hij kan echter niet eeuwig alleen vliegen; hij raakt de weg kwijt als hij te lang zonder controle vliegt.
2. De CFD (De Instructeur): De traditionele computerberekening is de strenge instructeur. Hij is traag, maar hij kent de natuurwetten perfect en maakt geen fouten.
3. De XRePIT-methode (De Regels):
   • De leerling (AI) mag vliegen en de simulatie versnellen.
   • Maar er zit een waakzame sensor in de cockpit. Deze sensor kijkt continu naar een belangrijke regel: "Zit de luchtstroom nog in balans?" (in het Engels: residual).
   • Het moment dat het misgaat: Zodra de AI een klein foutje maakt en de luchtstroom uit balans raakt (de sensor slaat aan), grijpt de instructeur in.
   • De correctie: De instructeur neemt even het stuur over, corrigeert de koers naar de juiste natuurwetten, en geeft de leerling een korte "les" (online leren) zodat hij de fout niet meer maakt.
   • Daarna mag de leerling weer snel vliegen tot de volgende keer dat de sensor waarschuwt.

Wat maakt XRePIT zo speciaal?

In het verleden moesten mensen deze samenwerking tussen AI en instructeur handmatig regelen. Het was alsof je de instructeur moest bellen, de telefoon moest neerleggen, de AI moest uitschakelen, en dan weer alles moest resetten. Dat was omslachtig en niet reproduceerbaar.

XRePIT is een volledig geautomatiseerd systeem (gebouwd op een bekend softwarepakket genaamd OpenFOAM) dat dit proces in één keer regelt:

• Het schakelt automatisch tussen AI en instructeur.
• Het past de AI live aan (leren van de fout) zonder dat je de computer hoeft te herstarten.
• Het werkt zelfs in 3D (drie dimensies), wat veel complexer is dan de eerdere 2D-versies.

De Resultaten in Eenvoud

• Snelheid: De simulatie is tot 3 keer sneller dan alleen de traditionele methode. Je krijgt bijna dezelfde nauwkeurigheid, maar in een fractie van de tijd.
• Stabiliteit: Waar een pure AI-simulatie na een tijdje "dwaalt" en onzin produceert, blijft XRePIT eeuwig stabiel. De instructeur zorgt er altijd voor dat de AI weer op het juiste spoor komt.
• Flexibiliteit: Het systeem werkt met verschillende soorten AI-modellen. Of je nu een simpel model of een heel complex model gebruikt, XRePIT zorgt dat het veilig blijft.

Waarom is dit belangrijk?

Dit is een doorbraak voor ingenieurs en wetenschappers. Stel je voor dat je een digitale tweeling wilt maken van een kernreactor of een windturbine. Je wilt weten hoe deze zich gedragen in extreme situaties, maar je hebt geen tijd om dagen te wachten op een berekening.

Met XRePIT kun je:

1. Simulaties doen die nu te duur of te traag zijn.
2. Real-time beslissingen nemen (bijvoorbeeld in een noodsituatie).
3. Ontwerpen sneller testen en verbeteren.

Kortom: XRePIT is de "veilige piloot" die AI toestaat om snel te vliegen, maar die altijd klaarstaat om de auto terug op de weg te krijgen als de AI begint te dromen. Het maakt complexe natuurkunde-berekeningen niet alleen sneller, maar ook betrouwbaar genoeg voor echte toepassingen.

Technische samenvatting

Probleemstelling

Berekeningen in de Computational Fluid Dynamics (CFD) zijn essentieel voor het modelleren van fysische verschijnselen, maar ze zijn vaak computationally zeer kostbaar. Het simuleren van zelfs maar enkele seconden aan fysieke tijd kan uren aan CPU-tijd vereisen, wat real-time toepassingen (zoals besturing van kleine modulaire kernreactoren of digitale tweelingen) belemmert.

Machine Learning (ML), en specifiek neurale netwerken, biedt een potentieel versnelling. Echter, zuivere data-gedreven modellen (zoals autoregressieve surrogaten) lijden onder twee fundamentele beperkingen:

1. Foutaccumulatie: Bij lange simulaties (rollouts) stapelen kleine voorspelfouten zich op, wat leidt tot numerieke instabiliteit.
2. Niet-fysisch gedrag: De simulatie kan "drift" vertonen naar onfysische toestanden, waardoor de resultaten onbruikbaar worden.

Bestaande hybride strategieën (die ML combineren met traditionele CFD-oplossers) zijn vaak beperkt tot handmatige implementaties voor eenvoudige, 2D-benchmarks en ontberen schaalbaarheid en automatisering.

Methodologie: XRePIT

De auteurs introduceren XRePIT (eXtensible Residual-based Physics-Informed Transfer learning), een volledig geautomatiseerd, open-source hybride framework gebaseerd op OpenFOAM. Het systeem combineert de snelheid van ML met de stabiliteit van fysische oplossers via een tijdstap-gekoppelde (timestep-coupled) aanpak.

Kerncomponenten van het framework:

• Hybride Orkestrator: Een Python-script dat de simulatie beheert. Het start met een CFD-berekening voor initiële data, schakelt vervolgens over naar ML-voorspelling, en bewaakt continu een fysisch residu (in dit geval massabehoud).
• Residu-gestuurde schakellogica:
  • De ML-surrogaat (bijv. FVMN of FVFNO) voert autoregressieve voorspellingen uit.
  • Bij elke stap wordt het relatieve massaresidu ($R_{rel}$) berekend.
  • Zodra dit residu een vooraf gedefinieerde drempelwaarde ($\tau$) overschrijdt, wordt de ML-voorspelling gestopt.
  • Het systeem schakelt terug naar de OpenFOAM-oplosser voor een korte correctie (bijv. 10 tijdstappen) om de oplossing weer te "verankeren" in de fysische realiteit.
• Online Transfer Learning: Na elke CFD-correctie wordt het neurale netwerk lokaal en lichtgewicht bijgeschoold (fine-tuning) op de nieuwe, hoogwaardige data. Dit houdt het surrogaatmodel gesynchroniseerd met veranderende stromingsregimes.
• Fysische consistentie:
  • A priori: Randvoorwaarden worden direct in de invoerdata van het ML-model opgelegd (padding).
  • A posteriori: Voordat de CFD-oplosser opnieuw start, wordt een aangepaste utility (adjustPhiML) gebruikt om de massavloei ($\phi$) te corrigeren en de snelheidsvelddivergentie op nul te zetten, wat cruciaal is voor stabiliteit.

Architectuur:
Het framework is architectonisch onafhankelijk. De auteurs testen twee modellen binnen dezelfde loop:

1. FVMN (Finite Volume Method Network): Een MLP-gebaseerd netwerk dat lokaal stencil-informatie gebruikt.
2. FVFNO (Finite Volume Fourier Neural Operator): Een complexer model dat Fourier-transformaties gebruikt voor ruimtelijke afhankelijkheden.

Belangrijkste Bijdragen

1. Geautomatiseerde Hybride Oplosser: XRePIT transformeert een handmatig concept (RePIT) naar een reproduceerbare, schaalbare workflow die volledig geïntegreerd is met OpenFOAM.
2. Systematische Karakterisering: De auteurs kwantificeren de trade-off tussen snelheid en nauwkeurigheid door variatie in residu-drempels en het aantal epochs voor transfer learning.
3. Adaptatie aan Randvoorwaarden: Het systeem toont aan dat een model getraind op één set randvoorwaarden (bijv. temperatuurverschil) succesvol kan worden hergebruikt voor andere condities via online aanpassing, zonder volledige hertraining.
4. Architectonische Uitwisselbaarheid: Het bewijs dat de stabiliserende werking van de residu-gate niet afhankelijk is van het specifieke neurale netwerk (werkend voor zowel MLP als FNO).
5. 3D-Schaalbaarheid: De eerste demonstratie van een dergelijke hybride methode in een volledig 3D-omgeving met complexe stromingsstructuren.

Resultaten

• Stabiliteit: Zelfstandige ML-surrogaten falen catastrofisch na ongeveer 1000 tijdstappen door foutaccumulatie. XRePIT behoudt echter stabiliteit over 10.000+ tijdstappen door de residu-gate.
• Versnelling:
  • In 2D-case studies werd een versnelling (speedup) van maximaal 2,91x bereikt ten opzichte van puur CFD, terwijl de relatieve $L_2$-fouten binnen $O(10^{-3})$ bleven.
  • De optimale configuratie bleek een residu-drempel van 5 met 2 epochs voor transfer learning te zijn.
• Nauwkeurigheid: Hoewel de relatieve fout in snelheid soms hoog lijkt (door lage snelheden in het binnenste van de kamer), blijven de absolute fouten (MAE/MSE) zeer klein en binnen de toleranties van industriële sensoren (thermokoppels).
• 3D-Validatie: In een 3D-natuurlijke convectie-simulatie (Rayleigh-getal $1.85 \times 10^9$) slaagde het framework erin complexe stromingsstructuren (zoals thermische pluimen en vortex-kernen) correct weer te geven met een versnelling van 2,91x.
• Modelvergelijking: Het complexere FVFNO-model was nauwkeuriger maar trager in inferentie, wat resulteerde in een lagere totale versnelling (1,44x) vergeleken met het lichtere FVMN-model (2,04x). Dit benadrukt dat voor hybride versnelling efficiëntie vaak belangrijker is dan pure modelcomplexiteit.

Significantie

XRePIT vertegenwoordigt een belangrijke stap in de evolutie van "Digital Twins" en data-gedreven simulatie. Het bewijst dat hybride ML-CFD-methoden niet alleen theoretisch mogelijk zijn, maar ook operationeel betrouwbaar kunnen zijn voor lange, onstabiele simulaties in 3D.

De belangrijkste implicaties zijn:

• Het biedt een reproduceerbare basis voor de gemeenschap om hybride methoden te testen en te vergelijken.
• Het maakt real-time of snellere-than-real-time simulaties mogelijk voor complexe thermohydraulische systemen (zoals kernreactoren), wat essentieel is voor besturing en optimalisatie.
• Het toont aan dat een eenvoudige, fysisch onderbouwde "veiligheidsnet"-strategie (residu-monitoring) de zwakke punten van pure AI (instabiliteit) effectief kan oplossen zonder de snelheidsvoordelen volledig op te geven.

De auteurs maken de broncode openbaar beschikbaar, wat de weg vrijmaakt voor verdere ontwikkeling en toepassing in diverse wetenschappelijke en technische domeinen.