Learning constitutive models and rheology from partial flow measurements

Deze studie introduceert een end-to-end raamwerk dat een differentieerbare niet-Newtoniaanse solver combineert met een frame-invariante tensorbasis-neuraal netwerk om constitutieve modellen en reologische parameters direct uit gedeeltelijke stromingsmetingen te leren en te vertalen naar interpreteerbare symbolische formules, waardoor een robuuste "digitale reometrie" voor complexe vloeistoffen in onbekende geometrieën mogelijk wordt.

De kern

Stel je voor dat je een nieuwe, vreemde soep hebt gemaakt. Je wilt weten hoe deze soep zich gedraagt als je hem door een heel smal buisje duwt, of als hij door een rooster met gaatjes stroomt.

In de wereld van de wetenschap noemen we dit reologie: het bestuderen van hoe vloeistoffen vervormen en stromen. Voor water is dit makkelijk; het stroomt altijd hetzelfde. Maar voor complexe vloeistoffen (zoals bloed, verf, plastic smelt of zelfs de soep in ons voorbeeld) is het heel lastig. Ze kunnen dikker worden als je ze roert, of juist dunner. Ze hebben een "geheugen" en reageren anders op trekken dan op duwen.

Traditioneel proberen wetenschappers dit te begrijpen door de soep in een laboratoriummachine te doen die het in één richting roert (een "rheometer"). Het probleem? Dat is alsof je probeert te begrijpen hoe een auto rijdt in een drukke stad door alleen te kijken hoe hij over een rechte, lege snelweg rijdt. Het werkt goed voor de snelweg, maar faalt volledig in de stad.

De oplossing uit dit paper: "Digitale Rheometrie"

De auteurs van dit paper (van Harvard en Saudi Aramco) hebben een slimme nieuwe manier bedacht om de "recept" van deze vloeistoffen te ontdekken, zonder dat je ze eerst in een laboratoriummachine hoeft te proppen. Ze noemen hun methode "Digitale Rheometrie".

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De "Onzichtbare Leraar" (De Differentiabele Simulator)

Stel je voor dat je een video hebt van de soep die door een ingewikkeld buizensysteem stroomt (bijvoorbeeld door een roestvrijstalen filter). Je ziet alleen de stroming (de snelheid), maar je ziet niet waarom de soep zich zo gedraagt.

Normaal gesproken zou je een wiskundig model moeten gissen en proberen dat model aan te passen tot het overeenkomt met de video. Dat is als proberen een slot te openen door willekeurig op de knoppen te drukken; het duurt eeuwen.

De auteurs hebben een computerprogramma gebouwd dat precies weet hoe vloeistoffen zich moeten gedragen (de natuurwetten). Dit programma is "differentieerbaar". Dat klinkt ingewikkeld, maar het betekent simpelweg: het programma kan zichzelf corrigeren.

• Het kijkt naar de video van de stroming.
• Het zegt: "Hé, mijn voorspelling klopt niet helemaal met de video."
• Het past direct de regels van de soep aan (de "constitutive law") en probeert het opnieuw.
• Het doet dit zo snel dat het binnen een paar seconden de perfecte regels heeft gevonden die de soep in die video beschrijven.

2. De "Vormloze Klei" (Het Neural Network)

Om de regels van de soep te vinden, gebruiken ze een kunstmatige intelligentie (een "Tensor Basis Neural Network").
Stel je voor dat je een stuk klei hebt dat je in elke vorm kunt duwen. In plaats van te zeggen "dit is een bol" of "dit is een kubus", laat je de computer de klei zelf de juiste vorm vinden die past bij de stroming.

• Deze "klei" leert de relatie tussen beweging en kracht direct uit de video.
• Het grote voordeel: omdat het de lokale regels leert (hoe de soep zich op elk punt gedraagt), werkt het model ook als je de soep in een hele andere vorm giet. Het is niet afhankelijk van de vorm van het buisje. Het is een universele "recept" voor die specifieke soep.

3. De "Vertaler" (Van Klei naar Wiskunde)

Nu hebben we een computermodel dat perfect werkt, maar het is een "zwarte doos". We weten niet welke wiskundige formule erachter zit. Wetenschappers willen vaak een simpele formule (zoals een recept) om het te begrijpen.

Dus, in de tweede stap, nemen ze de "klei" van de computer en proberen ze die te vertalen naar bekende wiskundige formules.

• Ze vragen: "Is dit een simpele waterachtige soep? Of is het een Carreau-Yasuda-soep? Of een Giesekus-soep?"
• Ze gebruiken een slimme rekenmethode (Bayesian Information Criterion) om te beslissen: "Welk recept is het simpelste dat nog steeds perfect werkt?"
• Dit is belangrijk omdat het voorkomen van "overfitting" (een te ingewikkeld recept dat alleen voor die ene situatie werkt). Ze zoeken het beste recept.

Waarom is dit zo cool?

1. Geen laboratorium nodig meer: Je kunt de "recept" van een vloeistof ontdekken terwijl deze al in gebruik is. Bijvoorbeeld, terwijl olie door een pijpleiding stroomt of medicijnen door een bloedvat. Je hoeft het monster niet mee te nemen naar een lab.
2. Voorspellen in nieuwe situaties: Omdat het model de fundamentele regels leert en niet alleen de vorm van het buisje, kun je voorspellen hoe diezelfde vloeistof zich gedraagt in een compleet nieuw systeem (bijvoorbeeld een nieuw ontwerp voor een motor of een kunstmatige nier).
3. Betrouwbare data: Zelfs als je met een slechte camera meet (ruis, wazige beelden), werkt het systeem nog steeds goed. De natuurwetten in de computer fungeren als een "bril" die de ruis filtert en de echte signalen laat zien.

Samenvattend:
De auteurs hebben een manier bedacht om de "DNA" van complexe vloeistoffen te lezen door gewoon naar te kijken hoe ze stromen in de echte wereld. Ze gebruiken een slimme computer die zichzelf leert, en vertaalt die kennis vervolgens naar begrijpelijke wiskunde. Dit maakt het mogelijk om vloeistoffen te ontwerpen en te gebruiken in situaties waar we ze voorheen niet goed konden voorspellen. Het is alsof we van het raden van de smaak van een soep zijn gegaan naar het hebben van een perfecte, digitale proefpersoon die precies weet hoe de soep zich zal gedragen in elke pan die je bedenkt.

Technische samenvatting

Titel: Leren van constitutieve modellen en reologie vanuit partiële stromingsmetingen

Auteurs: Alp M. Sunol, James V. Roggeveen, Mohammed G. Alhashim, Henry S. Bae, en Michael P. Brenner (Harvard University & Saudi Aramco).

---

1. Het Probleem

Het voorspellen van de stroming van complexe vloeistoffen (zoals biologische vloeistoffen of industriële polymeren) door complexe omgevingen vereist een nauwkeurige wiskundige beschrijving van de constitutieve wet: de relatie tussen lokale vervorming en interne spanning.

• Beperkingen van traditionele methoden: Standaard karakterisering vertrouwt op benchtop-reometers die metingen doen in geïdealiseerde, vaak één-dimensionale stromingen. Deze metingen missen vaak de fysica die relevant is voor complexe geometrieën (zoals uitrekking in vernauwingen).
• Data-gedreven uitdagingen: Bestaande data-gedreven methoden (zoals machine learning) hebben vaak te kampen met overfitting op schaarse data, gebrek aan generalisatie naar nieuwe geometrieën, of ze veronderstellen van tevoren een specifieke vorm van de constitutieve wet.
• Identificeerbaarheid: Verschillende constitutieve wetten kunnen onder standaard testomstandigheden bijna identiek reageren, maar divergeren drastisch in complexe kinematica. Dit maakt het moeilijk om het juiste model te kiezen op basis van gemiddelde bulk-metingen.

2. Methodologie

De auteurs presenteren een end-to-end framework dat automatische differentiatie en differentieerbare simulaties combineert om constitutieve relaties direct te leren uit lokale stromingsmetingen. Het framework bestaat uit twee hoofdcomponenten:

A. Differentieerbare niet-Newtoniaanse stromingsoplosser met TBNN

• Differentieerbare Solver: Ze hebben een volledige stromingsoplosser ontwikkeld (gebaseerd op JAX) die volledig differentieerbaar is. Dit betekent dat exacte gradiënten van elke stromingsobservabele (zoals snelheid) ten opzichte van modelparameters kunnen worden berekend.
• Tensor Basis Neural Network (TBNN): In plaats van een "black-box" neural network, embedden ze een TBNN in de solver. Deze TBNN mapt scalaire invarianten van de stroming (zoals $tr(D^2)$ en $tr(W^2)$) naar de spanning.
  • Frame-invariantie: Door de basis van tensoren te gebruiken, wordt gegarandeerd dat het model frame-invariant is (onafhankelijk van het coördinatenstelsel).
  • Lokaal leren: Het model leert de lokale materiaalrespons, waardoor het generaliseert naar geometrieën die niet in de training zijn gebruikt.
• Training: De TBNN wordt getraind door de voorspelde snelheidsvelden te minimaliseren ten opzichte van waarnemingen (bijv. PIV-data) in een complexe geometrie (een vernauwing-expansie kanaal met een obstakel).

B. Differentieerbare model-fitting en selectie

• Van Neural Network naar Symbolische Wet: Om het geleerde TBNN-model interpreteerbaar te maken, wordt een "digitale reometer" gebruikt. Hierbij worden gecontroleerde vervormingsgeschiedenissen (zoals sinusoidale schuifkrachten) op het getrainde TBNN toegepast om de spanning te genereren.
• Bayesiaanse Model Selectie (BIC): Vervolgens worden klassieke constitutieve modellen (zoals Carreau-Yasuda, Giesekus, Oldroyd-B) op deze gegenereerde data gefit. De Bayesian Information Criterion (BIC) wordt gebruikt om het beste model te selecteren, waarbij een balans wordt gevonden tussen modelcomplexiteit en voorspellingskracht.
• Toepassing op bulk-data: Dezelfde differentieerbare fitting-methode wordt ook direct toegepast op experimentele reometer-tijdreeksen om het beste model en de parameters te selecteren zonder eerst een neural network te hoeven trainen.

3. Belangrijkste Resultaten

• Herstel van Constitutieve Wetten: Het framework slaagde erin om de onderliggende Carreau-Yasuda constitutieve wet nauwkeurig te herleiden uit complexe stromingsdata, zelfs zonder dat de parameters van tevoren bekend waren.
• Generalisatie naar Ongeziene Geometrieën: Een TBNN getraind op een specifieke geometrie (vernauwing) kon stromingen nauwkeurig voorspellen in een volledig nieuwe geometrie (een binaire poreuze media) en bij andere drukgradiënten, met lage relatieve fouten.
• Robuustheid: Het systeem bleek robuust tegen ruis en verminderde resolutie (tot 13x13 meetpunten), dankzij de fysieke regularisatie die de differentieerbare solver biedt (de vergelijkingen van behoud van massa en impuls fungeren als harde constraints).
• Model-identificatie: Bij het testen op synthetische reometer-data voor vijf verschillende model-families (Newtoniaans, Carreau-Yasuda, Oldroyd-B, Giesekus, Lineair PTT), kon het framework het juiste grondwaarheid-model in bijna alle gevallen correct identificeren.
  • Inzicht in mislukkingen: Wanneer het model faalde, bleek dit vaak te komen doordat de gebruikte forcing-protocollen de relevante reologische regimes niet voldoende exciteerden, waardoor complexe modellen statistisch niet te onderscheiden waren van eenvoudigere modellen.
• Parameter Schatting: Voor correct geïdentificeerde modellen werden de fysieke parameters (zoals viscositeit en relaxatietijd) zeer nauwkeurig geschat (vaak binnen 1% van de ware waarde).

4. Bijdragen en Innovatie

1. End-to-End Differentiatie: Voor het eerst wordt een volledig differentieerbare niet-Newtoniaanse solver gecombineerd met een TBNN om constitutieve wetten te leren vanuit stromingsdata, in plaats van alleen bulk-metingen.
2. Geometrie-onafhankelijkheid: In tegenstelling tot veel PINN-benaderingen die geometrie-specifiek zijn, leert de TBNN een lokale, frame-invariante mapping die overdraagbaar is naar nieuwe omgevingen.
3. Automatische Modelselectie: Het introduceren van BIC voor het selecteren van de beste constitutieve familie en parameters uit zowel TBNN-afleidingen als directe reometer-data.
4. "Digital Rheometry": Het concept om complexe procesmetingen (zoals in een pijpleiding of microkanaal) om te zetten in een nauwkeurige reologische karakterisering, zonder dat het materiaal uit het proces hoeft te worden gehaald.

5. Betekenis en Toekomstperspectief

Dit werk legt de basis voor een fundamentele verschuiving in hoe complexe vloeistoffen worden gekarakteriseerd:

• Van Lab naar Operatieomgeving: Het stelt onderzoekers in staat om reologische eigenschappen direct in de operationele omgeving te meten ("in-operando"), wat cruciaal is voor materialen die veranderen bij sampling (zoals emulsies of polymeren).
• Brug tussen Data en Fysica: Het combineert de flexibiliteit van machine learning met de interpretatie en fysieke grondslagen van klassieke mechanica.
• Geoptimaliseerd Experimenteel Ontwerp: Omdat het systeem volledig differentieerbaar is, kan het in de toekomst worden gebruikt om experimentele protocollen (zoals de vorm van de stroming of de meetlocatie) te optimaliseren om de informatie-inhoud van metingen te maximaliseren en modelonzekerheid te minimaliseren.

Samenvattend biedt dit framework een krachtig, robuust en interpreteerbaar middel om de complexe fysica van niet-Newtoniaanse vloeistoffen te ontrafelen, zelfs wanneer data schaars, ruisbevat of afkomstig is uit complexe, real-world geometrieën.