Structure tensor Reynolds-averaged Navier-Stokes turbulence models with equivariant neural networks

Dit artikel introduceert structurele tensor RANS-turbulentiemodellen met behulp van equivariante neurale netwerken, die met data uit de snelle vervormingstheorie aantonen dat het hypothesen van Kassinos et al. over onvoldoende statistische beschrijvingen correct is en dat deze nieuwe modellen de nauwkeurigheid van de snelle druk-snelheidsrelatie aanzienlijk verbeteren.

De kern

De Kunst van het Voorspellen van Turbulentie: Een Nieuwe Benadering met AI

Stel je voor dat je probeert het weer te voorspellen, maar dan niet voor morgen, maar voor de chaotische, wervelende luchtstromen rondom een vliegtuig of een auto. In de wereld van de stromingsmechanica noemen we dit turbulentie. Het is als een enorme, onvoorspelbare dans van water of lucht, vol met draaikolken die constant van vorm veranderen.

Voor ingenieurs is het cruciaal om deze stromingen te begrijpen om efficiëntere vliegtuigen en brandstofbesparende auto's te bouwen. Maar het berekenen van elke individuele wervel is te duur en te complex voor de snelste supercomputers. Daarom gebruiken wetenschappers een slimme afkorting genaamd RANS (Reynolds-averaged Navier-Stokes).

Het Probleem: De "Gok" in de Vergelijkingen
RANS werkt als een gemiddelde. Het kijkt niet naar elke kleine wervel, maar naar het gemiddelde gedrag. Het probleem is dat er een ontbrekend stukje in de vergelijkingen zit: de invloed van die kleine, onzichtbare wervels op het gemiddelde. Dit noemen we de "sluiting" (closure).

Tot nu toe hebben wetenschappers deze ontbrekende stukjes proberen te voorspellen met simpele formules, alsof ze een complexe dans proberen te beschrijven met slechts één zin: "Ze bewegen een beetje naar links en rechts." Dit werkt vaak niet goed, vooral niet bij complexe vormen zoals gebogen vleugels. Het is alsof je probeert een symfonie te beschrijven door alleen te zeggen: "Er is geluid."

De Hypothese: Meer dan Alleen de Dans
In 2001 stelden twee onderzoekers, Kassinos en Reynolds, een nieuwe theorie op. Ze zeiden: "Het probleem is dat we niet genoeg informatie hebben over de dansers." Ze stelden voor om niet alleen naar de snelheid te kijken, maar ook naar de structuur van de turbulentie: hoe lang de wervels zijn, hoe ze roteren, en of ze symmetrisch zijn. Ze noemden dit "structuurtensors".

Het idee was dat als je deze rijkere beschrijving gebruikt, je de ontbrekende stukjes veel nauwkeuriger kunt voorspellen. Maar er was een probleem: de wiskunde om dit te doen was zo ingewikkeld dat ze er geen werkend model van konden maken. Ze hadden de juiste "taal" niet om deze complexe relaties uit te drukken.

De Oplossing: AI die de Regels kent
In dit nieuwe onderzoek gebruiken de auteurs Equivariante Neurale Netwerken (ENN's). Wat is dat?

Stel je voor dat je een kunstenaar bent die schilderijen moet maken.

• De oude manier: Je gaf de kunstenaar een lijst met regels ("Als je een boom schildert, moet de stam recht staan"). Maar als je de boom draait, moet de kunstenaar zelf bedenken hoe hij de regels toepast. Dit leidt vaak tot fouten.
• De nieuwe manier (ENN's): Je bouwt de kunstenaar zo, dat hij fysiek niet kan tekenen wat de natuurwetten verbieden. Als je het canvas draait, draait het schilderij automatisch mee, perfect en foutloos. De kunstenaar "weet" van nature dat de natuurwetten hetzelfde blijven, ongeacht hoe je naar ze kijkt.

De auteurs hebben een slimme nieuwe techniek ontwikkeld om deze AI te dwingen om niet alleen de basisregels (zoals draaien) te volgen, maar ook specifieke, complexe wiskundige regels (zoals "de som van deze getallen moet altijd nul zijn"). Ze noemen dit het "afronden" van de vergelijkingen.

Het Resultaat: Een Revolutie in Nauwkeurigheid
De onderzoekers hebben hun nieuwe AI getraind met data uit simulaties van turbulente stromingen. Het resultaat is verbazingwekkend:

1. Enorme verbetering: Hun nieuwe model is duizenden keren nauwkeuriger dan de bestaande methoden die decennialang zijn gebruikt.
2. De theorie bewezen: Ze hebben bewezen dat de hypothese van Kassinos en Reynolds klopt. Als je de "structuur" van de turbulentie goed beschrijft, kun je het gedrag van de stroming extreem nauwkeurig voorspellen.
3. De kracht van niet-lineariteit: Het bleek dat de relatie tussen de verschillende vormen van turbulentie niet simpel is (niet lineair). De AI heeft ontdekt dat de wiskunde hier veel complexer is dan eerder gedacht, en alleen een slimme AI kon deze patronen vinden.

Conclusie: Waarom is dit belangrijk?
Dit onderzoek is als het vinden van de perfecte receptuur voor een taart. De oude recepten (de oude modellen) maakten een taart die soms goed was, maar vaak zwaar of leeg. De nieuwe receptuur (het ENN-model) gebruikt de juiste ingrediënten (de structuurtensors) en een perfecte baktechniek (de AI) om een taart te maken die perfect is.

Dit betekent dat we in de toekomst vliegtuigen en auto's kunnen ontwerpen die veiliger, stiller en zuiniger zijn, omdat we de luchtstromen eromheen veel beter begrijpen. Het is een grote stap voorwaarts in het combineren van de fysica van de natuur met de kracht van kunstmatige intelligentie.

Technische samenvatting

Titel: Structure-tensor Reynolds-averaged Navier-Stokes turbulentiemodellen met equivariante neurale netwerken

Auteurs: Aaron Miller, Sahil Kommalapati, Robert Moser, en Petros Koumoutsakos.
Doelwit: Journal of Fluid Mechanics.

---

1. Het Probleem

Reynolds-averaged Navier-Stokes (RANS) simulaties zijn de standaard voor het modelleren van turbulente stromingen in technische toepassingen (zoals luchtvaart en auto-ontwerp) vanwege hun lagere rekenkosten vergeleken met Direct Numerical Simulation (DNS). Het grootste obstakel bij RANS is het "sluitingsprobleem": het modelleren van de Reynolds-spanningstensor ($R_{ij}$) en de bijbehorende transporttermen.

Een specifiek en uitdagend onderdeel is de snelle druk-rek-correlatie (rapid pressure-strain term, $\Pi^{(r)}_{ij}$). Traditionele modellen, zoals die van Launder, Reece & Rodi (LRR) of het isotrope productie-model (IP), baseren zich vaak op een lineaire turbulentviscositeitsaanname of beperkte tensorbasissen. Deze modellen blijken onbetrouwbaar, vooral bij complexe stromingen met kromming of afscheiding.

Kassinos et al. (2001) stelden de hypothese dat deze onbetrouwbaarheid voortkomt uit een ontoereikende beschrijving van de statistische toestand van de turbulentie. Ze suggereerden dat de Reynolds-spanningstensor alleen niet voldoende is om de anisotropie van de turbulentie volledig te beschrijven (met name schaal- en rotatie-anisotropie). Zij introduceerden een rijker stel structuurtensoren ($R_{ij}$, $D_{ij}$, $F_{ij}$, en $Q^*_{ijk}$) en hypotheseren dat deze voldoende zijn om de snelle druk-term nauwkeurig te modelleren. Echter, het analytisch afleiden van niet-lineaire modellen op basis van deze structuren is uiterst complex en computatierijk.

2. Methodologie

De auteurs ontwikkelen een nieuwe aanpak om de hypothese van Kassinos te testen door gebruik te maken van Equivariante Neurale Netwerken (ENNs).

• Symmetriebehoud: RANS-modellen moeten invariant zijn ten opzichte van rotaties en reflecties (O(3)-symmetriegroep). In plaats van handmatig een tensorbasis af te leiden (zoals in traditionele methoden), gebruiken ENNs de theorie van irreducibele representaties om deze symmetrieën als "harde constraints" in de netwerkarchitectuur te bouwen.
• Structuurtensoren: Het model gebruikt de structuurtensoren van Kassinos en Reynolds als invoer:
  • $R_{ij}$: Reynolds-spanning (snelheidsanisotropie).
  • $D_{ij}$: Dimensie (lengteschaal-anisotropie).
  • $Q^*_{ijk}$: Stropholyse (symmetriebreking).
• Nieuwe Algoritme voor Lineaire Constraints: Een kerninnovatie is een algoritme dat lineaire tensorrelaties (zoals spoorvrijheid of contractierelaties) exact afdwingt binnen het ENN.
  • Het algoritme (Algorithm 1) berekent een transformatiematrix ($E$) die de basis van de irreducibele representaties van de invoertensor aligneert met de basis van de lineaire constraints.
  • Dit zorgt ervoor dat het netwerk alleen de vrijheidsgraden leert die niet door de fysica zijn opgelegd, terwijl de constraints exact worden nageleefd, ongeacht het trainingsverloop.
• RDT Data: De modellen worden getraind op data gegenereerd via Rapid Distortion Theory (RDT). In dit regime zijn de niet-lineaire termen verwaarloosbaar, waardoor alleen de snelle druk-termen gemodelleerd hoeven te worden. Dit maakt het mogelijk om grote hoeveelheden data te genereren voor een breed scala aan snelheidsgradiënten.

3. Belangrijkste Bijdragen

1. Nieuw Algoritme voor Tensor-Constraints: De auteurs introduceren een methode om lineaire tensorrelaties (van het type "einsum") als harde constraints in ENNs te implementeren. Dit breidt de toepasbaarheid van ENNs uit tot problemen waarvoor niet alleen equivariantie, maar ook specifieke index-permutaties en contractierelaties gelden.
2. Eerste Algemene Niet-Lineaire Model: Er wordt het eerste algemene niet-lineaire model ontwikkeld voor druk-rek-termen in RANS dat volledig afhankelijk is van de structuurtensoren van Kassinos en Reynolds.
3. Validatie van de Kassinos-hypothese: Het werk biedt een robuuste testomgeving om de hypothese te valideren dat structuurtensoren een voldoende rijke beschrijving zijn voor het sluiten van RANS-vergelijkingen.
4. End-to-End Learning: Het toont aan dat ENNs een fysiek consistente alternatief bieden voor klassieke tensorbasis-methoden (TBM), waarbij de noodzaak voor voorafgaande analytische afleiding van tensorbasissen wordt omzeild.

4. Resultaten

De prestaties van de ENN-modellen werden vergeleken met bestaande lineaire modellen (LRR, IP) en een lineair structuur-tensor-model.

• Nauwkeurigheid: De ENN-modellen die $R$, $D$ en $Q^*$ als invoer gebruiken, tonen een orde van grootte lagere fouten dan bestaande modellen.
  • Voor de snelle druk-rek-correlatie ($\Pi^{(r)}_{ij}$) zijn de relatieve fouten van het beste ENN-model ($M(R, D, Q^*)$) drie ordes van grootte kleiner dan de LRR- en IP-modellen.
  • De relatieve fouten liggen vaak onder de 0,1%, en in alle gevallen onder de 1%.
• Noodzaak van Niet-lineariteit: De resultaten tonen aan dat niet-lineariteit in alle drie de structuurtensoren ($R, D, Q^*$) essentieel is. Modellen die alleen lineair zijn in $Q^*$ (maar niet-lineair in $R$ en $D$) vertonen fouten die een orde van grootte groter zijn dan de volledig niet-lineaire modellen.
• Effect van Constraints: Het trainen met inachtneming van de lineaire constraints (het voorspellen van alleen de vrije componenten) leidt bij modellen met $Q^*$-afhankelijkheid tot betere prestaties en minder overfitting.
• Toepasbaarheid: De modellen voor de andere relevante tensoren ($L$ en $J$) tonen vergelijkbare verbeteringen, wat bevestigt dat de structuurtensoren een voldoende basis vormen voor het sluiten van de transportvergelijkingen in het RDT-regime.

5. Significatie en Conclusie

Dit artikel is een mijlpaal in data-gedreven turbulentiemodellering. Het bewijst dat de hypothese van Kassinos et al. (2001) correct is: een rijkere beschrijving van turbulentie-anisotropie via structuurtensoren maakt het mogelijk om de snelle druk-termen met extreem hoge nauwkeurigheid te modelleren.

De gebruikte Equivariante Neurale Netwerken bieden een krachtig alternatief voor traditionele analytische benaderingen. Ze omzeilen de complexe en tijdrovende afleiding van tensorbasissen en kunnen complexe, niet-lineaire relaties leren terwijl ze de fundamentele fysieke symmetrieën en constraints exact respecteren. Dit opent de deur voor het ontwikkelen van nauwkeurigere en generaliseerbaardere RANS-modellen voor complexe stromingen. De auteurs wijzen erop dat toekomstig werk gericht zal zijn op het integreren van deze modellen in volledige RANS-oplossers en het verbeteren van de rekenefficiëntie voor praktische toepassingen.