Learning parameter-dependent shear viscosity from data, with application to sea and land ice

Dit artikel presenteert een nieuw raamwerk dat gebruikmaakt van neurale netwerken om de rheologie (viscositeit) van niet-Newtoniaanse vloeistoffen te leren uit data, waarbij de fysieke wetten worden gerespecteerd en de methode succesvol wordt toegepast op het modelleren van landijs en zeeijs.

De kern

Stel je voor dat je een mysterieuze, dikke vla voor je hebt. Je weet niet precies hoe dik deze vla is: is het een dunne saus die als water wegstroomt, of is het een soort elastische gelei die pas beweegt als je er heel hard met een lepel in roert?

Dit wetenschappelijke artikel gaat over een slimme manier om het "recept" van zulke ingewikkelde stoffen te ontrafelen, zonder dat we de ingrediënten van tevoren hoeven te kennen.

Hier is de uitleg in begrijpelijke taal:

Het probleem: De "geheime saus" van de natuur

In de natuur komen veel stoffen voor die zich vreemd gedragen. Denk aan gletsjers (landijs) of de ijsschotsen op de oceaan (zeeijs). Ze zijn niet simpelweg vloeibaar zoals water, maar ook niet hard als een steen. Ze zijn "niet-Newtoniaans". Dat is een duur woord voor: hun dikte (viscositeit) verandert afhankelijk van hoe hard je erin duwt of hoe warm het is.

Normaal gesproken proberen wetenschappers dit te beschrijven met ingewikkelde wiskundige formules die ze zelf hebben bedacht. Maar de natuur is vaak veel complexer dan onze formules.

De oplossing: Een digitale "detective" (Neural Networks)

De onderzoekers van de New York University hebben een nieuwe methode bedacht. In plaats van een formule te geven aan de computer, laten ze de computer de formule zoeken.

Ze gebruiken hiervoor een Neuraal Netwerk. Je kunt dit zien als een digitale detective die heel goed is in patroonherkenning. De detective krijgt geen regels, maar alleen maar "bewijsmateriaal":

1. Stress-data: Hoe hard wordt de stof ingedrukt?
2. Snelheids-data: Hoe snel beweegt de stof als hij wordt ingedrukt?

De detective kijkt naar al die bewegingen en zegt: "Ah, ik zie een patroon! Elke keer als het kouder wordt, wordt de vla twee keer zo dik. En als ik harder duw, wordt hij juist dunner!"

Hoe werkt het? (De analogie van de dansvloer)

Stel je een dansvloer voor die vol staat met mensen.

• De oude methode: Een choreograaf schrijft een strikt dansschema voor iedereen. Als de mensen zich niet aan het schema houden, klopt het hele plaatje niet meer.
• De nieuwe methode (dit paper): De choreograaf kijkt alleen naar video-opnames van de dansers. Hij ziet hoe ze bewegen en probeert op basis van die beelden te begrijpen wat de "onzichtbare regels" van de dans zijn. Hij leert de regels van de beweging, zonder dat hij de dansers ooit heeft verteld wat ze moeten doen.

Wat hebben ze ontdekt?

De onderzoekers hebben hun "digitale detective" getest op twee grote uitdagingen:

1. Gletsjers (Landijs): Ze lieten de computer de bekende regels van ijs leren (de 'Glen's Law'). De computer slaagde er uitstekend in om de relatie tussen temperatuur en de dikte van het ijs te vinden.
2. Ijs op zee (Zeeijs): Dit is veel lastiger, omdat ijs op zee uit losse schotsen bestaat die tegen elkaar botsen. Ze gebruikten zelfs data van een supercomputer-simulatie die individuele ijsstukjes nabootst. De computer ontdekte iets heel cools: hij zag dat het ijs zich soms "dikker" gedraagt als je duwt, en soms juist "dunner". Hij vond een verband dat wetenschappers nog niet precies zo hadden beschreven.

Waarom is dit belangrijk?

Als we beter begrijpen hoe ijs beweegt (hoe dik het is en hoe het reageert op warmte), kunnen we veel nauwkeuriger voorspellen hoe de zeespiegel stijgt en hoe het klimaat verandert.

In plaats van te gokken met oude formules, laten we de data zelf het verhaal vertellen. De computer is de vertaler die de chaotische bewegingen van het ijs omzet in een begrijpelijk verhaal.

Technische samenvatting

Technische Samenvatting: Leren van parameterafhankelijke schuifviscositeit uit data

1. Probleemstelling

Het modelleren van complexe fysische systemen die vloeistofachtig gedrag vertonen (zoals landijs, zeeijs, polymeeroplossingen of de aardmantel), vereist vaak niet-Newtoniaanse vloeistofmodellen. De kern van deze modellen is de reologie: de relatie tussen interne spanningen ($\sigma$) en de vervormingssnelheid (strain-rate tensor, $\mathbf{D}_u$).

Traditioneel worden deze modellen op twee manieren opgesteld: via fenomenologische benaderingen (eenvoudige analytische formules die data fitten) of via eerste principes (kinetische theorie). Beide methoden zijn echter vaak ontoereikend voor extreem complexe materialen. Het probleem is hoe men uit observaties (zoals snelheid of spanning) een fysisch consistente, nauwkeurige en interpreteerbare reologische wet kan afleiden zonder vooraf een specifieke functionele vorm op te leggen.

2. Methodologie

De auteurs stellen een raamwerk voor waarbij de effectieve viscositeit wordt gerepresenteerd door een neuraal netwerk (NN). Hun aanpak onderscheidt zich door de integratie van fysische wetten in de architectuur van het netwerk.

• Fysische beperkingen: Om te voorkomen dat het netwerk onfysische oplossingen leert, wordt de reologie geconstrueerd op basis van tensor-invarianten. Dit garandeert:
  • Isotrope frame-onafhankelijkheid: De eigenschappen van het materiaal veranderen niet bij rotatie.
  • Dissipatie en de Tweede Wet van de Thermodynamica: Er wordt gezocht naar een convex potentiaal van dissipatie, wat zorgt voor een stabiel en goed gedefinieerd wiskundig model.
• Parameterisatie: De effectieve schuifviscositeit $\psi$ wordt geparametriseerd als een functie van de vervormingssnelheid en een externe parameter $\lambda$ (zoals temperatuur of ijsconcentratie). Er wordt gebruikgemaakt van een specifieke NN-structuur (met exponentiële en logaritmische transformaties) om grote schalen in data te kunnen verwerken.
• Optimalisatiestrategieën: Er worden twee benaderingen voorgesteld voor het trainen van het netwerk:
  1. Standaard regressie (Stress-based): Het minimaliseren van het verschil tussen de voorspelde spanning en de gemeten spanning ($J_s$).
  2. PDE-constrained optimization (Velocity-based): Het minimaliseren van het verschil tussen de voorspelde snelheid en de gemeten snelheid ($J_v$). Hierbij wordt de onderliggende partiële differentiaalvergelijking (PDE) als beperking gebruikt via de eindige-elementenmethode (FEM) en adjoint-methoden.

3. Belangrijkste Bijdragen

• Fysisch-geïnformeerde architectuur: In tegenstelling tot standaard "black-box" neurale netwerken, voldoet dit model aan fundamentele principes zoals isotropie en convexiteit.
• Hybride implementatie: De koppeling van machine learning bibliotheken (PyTorch) met numerieke PDE-solvers (Firedrake) voor PDE-constrained optimalisatie.
• Robuustheid tegen ruis: Het raamwerk is getest op de gevoeligheid voor meetfouten in zowel spanning als snelheid.
• Ontdekking van onbekende wetten: De methode kan niet alleen bekende wetten reproduceren, maar ook nieuwe reologieën ontdekken uit complexe simulatiedata (DEM).

4. Resultaten

De auteurs testen hun methode op twee cruciale toepassingen:

• Landijs (Glen's Law): Het model slaagt erin de temperatuurafhankelijke Glen's law te herleiden uit ruisige data. De resultaten tonen aan dat het minimaliseren van de snelheidsfout ($J_v$) veel nauwkeuriger is voor het voorspellen van de snelheidsprofielen dan het minimaliseren van de spanningsfout ($J_s$).
• Zeeijs (Viscous-Plastic model & DEM):
  • Eerst wordt het bekende viscous-plastic model (Hibler's model) succesvol gereproduceerd.
  • Vervolgens wordt een reologie afgeleid uit data van een Discrete Element Method (DEM), die individuele ijsvlokken simuleert. Het neurale netwerk ontdekt een complexe reologie die overgaat van shear-thickening (verdikkend) naar shear-thinning (verdunnend) afhankelijk van de ijsconcentratie. Dit model generaliseert goed naar situaties buiten de trainingsset.

5. Betekenis en Conclusie

Dit werk vormt een belangrijke brug tussen Scientific Machine Learning (SciML) en klassieke continuümmechanica. De significante bijdrage is dat het een methode biedt om complexe materiaaleigenschappen te leren die zowel data-gedreven als fysisch consistent zijn. Dit is van groot belang voor klimaatmodellering, waarbij nauwkeurige representaties van ijsdynamiek essentieel zijn voor het voorspellen van de zeespiegelstijging en oceanische stromingen.