A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

Deze studie stelt een hybride framework voor reductie-geordende modellering voor turbulente stromingen op gecollokeerde roosters voor, die een consistente flux "discretize-then-project"-strategie voor massa- en momentumbehoud combineert met een op LSTM gebaseerde datagedreven afsluiting om de turbulente viscositeit nauwkeurig te reconstrueren, waarbij een superieure prestatie wordt behaald in het vastleggen van transiënte dynamica vergeleken met andere neurale netwerkarchitecturen.

De kern

Stel je voor dat je probeert te voorspellen hoe een complexe, kolkende vloeistof (zoals wind in een kamer of water in een pijp) zal bewegen. Om dit perfect te doen, heb je een supercomputer-simulatie nodig die elk enkel klein deeltje van die vloeistof bijhoudt. Dit wordt een Full-Order Model (FOM) genoemd. Het is ongelooflijk nauwkeurig, maar het is ook alsof je elk zandkorreltje op een strand probeert te tellen om de vloed te voorspellen: het duurt eeuwen en vereist enorme hoeveelheden geheugen.

Om dit op te lossen, gebruiken wetenschappers Reduced-Order Models (ROMs). Denk aan een ROM als een "highlight reel" of een "samenvatting" van het gedrag van de vloeistof. In plaats van miljarden deeltjes bij te houden, houdt het alleen de belangrijkste patronen bij (zoals de grote wervelingen) om je een snel, goed genoeg antwoord te geven.

Er is echter een addertje onder het gras: wanneer de vloeistof turbulent is (chaotisch en wild kolkend), gaat deze "highlight reel"-methode vaak mis. Het krijgt het grote plaatje (snelheid en druk) wel goed, maar het slaagt er niet in om de "wrijving" of "plakkerigheid" van de turbulentie (genaamd turbulente viscositeit) correct te voorspellen. Het is alsof je een weersverwachting hebt die de windsnelheid perfect voorspelt, maar de luchtvochtigheid volledig verkeerd krijgt.

De oplossing van het artikel: Een hybride samenwerking

De auteurs van dit artikel hebben een nieuw "hybride" systeem ontwikkeld dat het beste van twee werelden combineert om dit probleem op te lossen. Ze gebruikten een 3D Lid-Driven Cavity (een doos waarbij het bovenste deksel heen en weer schuift en de vloeistof binnenin meesleept) als hun testgeval.

Hier is hoe hun systeem werkt, met behulp van eenvoudige analogieën:

1. Het "Physics"-team (De strikte accountant)

Voor de snelheid van de vloeistof (velocity) en de druk gebruikt het team een methode genaamd "Discretize-then-Project."

• De analogie: Stel je voor dat je een huis bouwt. Je hebt een strikt blauwdruk (de wetten van de natuurkunde) die ervoor zorgt dat de muren recht zijn en het dak niet lekt. Dit team volgt de blauwdruk exact. Ze nemen de complexe wiskunde van de vloeistof, verkleinen deze naar de grootte van de "highlight reel", maar doen dit op een manier die garandeert dat de vloeistof niet plotseling verschijnt of verdwijnt (massa-behoud).
• Het resultaat: Ze krijgen de snelheid en druk van de vloeistof zeer nauwkeurig zonder dat er extra "patches" of reparaties nodig zijn.

2. Het "Data-Driven" team (De intuïtieve kunstenaar)

Voor de turbulente viscositeit (de chaotische wrijving) faalt de methode van de "strikte accountant". Daarom hebben de auteurs een Data-Driven team binnengehaald.

• De analogie: In plaats van te proberen de chaos te berekenen met een rigide blauwdruk, hebben ze een kunstenaar ingehuurd die duizenden uren naar dit specifieke type kolkende vloeistof heeft gekeken. Deze kunstenaar gebruikt Machine Learning (specifiek neurale netwerken) om het patroon van de chaos te "leren" van de data.
• Het hulpmiddel: Ze hebben drie verschillende soorten "kunstenaars" (neurale netwerkarchitecturen) getest:
  • MLP: Een basiskunstenaar die naar het huidige moment kijkt, maar het verleden vergeet.
  • Transformer: Een kunstenaar die de hele tijdlijn in één keer kan bekijken, maar misschien afgeleid kan raken.
  • LSTM (Long Short-Term Memory): Een kunstenaar met een uitstekend geheugen. Ze onthouden niet alleen wat er nu gebeurt, maar ook wat er een paar seconden geleden gebeurde. Dit is cruciaal omdat turbulentie een kettingreactie is; wat er nu gebeurt, hangt sterk af van wat er vlak daarvoor gebeurde.

3. Het eindresultaat: Het perfecte duo

Het artikel combineert deze twee teams. De "Strikte Accountant" handelt de snelheid en druk af, terwijl de "Intuïtieve Kunstenaar" (specifiek het LSTM-model) de turbulente wrijving voorspelt.

Waarom won de LSTM?
Turbulentie is als een rij domino-stenen die omvallen. Als je alleen naar de eerste domino kijkt (het huidige moment), kun je de rest niet voorspellen. Je moet de hele keten van vallende domino's zien (de geschiedenis). Het LSTM-model is het beste in het onthouden van deze keten van gebeurtenissen.

De uitkomst

Toen ze dit hybride systeem testten tegenover de supercomputer-simulatie:

• Snelheid en druk: Het model was ongelooflijk nauwkeurig (slechts 0,7% fout).
• Turbulente wrijving: Het model voorspelde de chaos met een fout van 4%, wat veel beter was dan de andere AI-modellen die ze probeerden (die fouten tot 1% hadden).

In het kort

Het artikel presenteert een slimme manier om chaotische vloeistoffen snel te simuleren. Ze hebben niet geprobeerd om één methode alles te laten doen. In plaats daarvan gebruikten ze rigide wiskunde voor de onderdelen die exact moeten zijn (snelheid/druk) en slimme AI-geheugen voor het deel dat chaotisch en moeilijk te berekenen is (turbulentie).

Het resultaat is een snelle, nauwkeurige simulatie die de "wervelingen" van een 3D turbulente stroming vastlegt zonder een supercomputer nodig te hebben, wat bewijst dat de beste manier om een moeilijk probleem op te lossen soms is om wiskunde en machine learning te laten doen waar ze het beste in zijn.

Technische samenvatting

Technische Samenvatting: Een Hybride Discretize-then-Project Reduced Order Model voor Turbulente Stromingen op Collocated Grids met Data-Driven Closure

Probleemstelling
Computervloeistofmechanica (CFD) simulaties van turbulente stromingen, met name die met hoge-resolutie modellen, worden vaak beperkt door de onbetaalbare computationele kosten en geheugenvereisten. Reduced-Order Modeling (ROM) biedt een strategie om deze kosten te verminderen door de sturende vergelijkingen te projecteren op lager-dimensionale subruimten. Echter, het toepassen van standaard projectie-gebaseerde ROMs (specifiek POD-Galerkin) op turbulente stromingen op collocated finite volume grids presenteert aanzienlijke uitdagingen. Hoewel de "discretize-then-project" strategie zorgt voor massabehoud en druk-snelheid koppeling voor snelheid- en drukvelden, levert het geen fysiek consistente resultaten wanneer het direct wordt toegepast op het turbulente viscositeitsveld. Standaard intrusieve Galerkin-projectie kan de complexe temporele evolutie en niet-lineaire interacties van eddy-viscositeit binnen een gereduceerde basis niet accuraat oplossen, wat leidt tot fysieke inconsistenties. Bovendien lijden collocated grids vaak aan numerieke instabiliteiten (bijv. checkerboard drukmodi) als ze niet goed gestabiliseerd worden, wat doorgaans hulptechnieken zoals Rhie-Chow interpolatie of drukstabilisatie vereist die de gereduceerde-orde formulering compliceren.

Methodologie
De auteurs stellen een hybride ROM-framework voor dat de wiskundige strengheid van intrusieve projectie combineert met de aanpasbaarheid van niet-intrusieve data-gedreven methoden. De methodologie is als volgt gestructureerd:

1. Full-Order Model (FOM) en Discretisatie:

   • De onsamendrukbare Navier-Stokes vergelijkingen worden opgelost met behulp van een Large Eddy Simulation (LES) benadering met het Smagorinsky subgrid-scale model.
   • De FOM maakt gebruik van een collocated finite volume method (FVM) op een gestructureerd grid, geïmplementeerd binnen het OpenFOAM-framework.
   • Om stabiliteit op collocated grids aan te pakken zonder hulp-stabilisatie, gebruikt de studie de "discretize-then-project" consistent flux method (CFM). Deze strategie formuleert de operatoren direct op het discrete niveau, waarbij de volledige-orde matrices en randbijdragen worden geprojecteerd op gereduceerde ruimten om consistentie tussen snelheid- en drukrepresentaties te waarborgen.

2. Hybride ROM-strategie:

   • Intrusief Pad (Snelheid & Druk): De snelheid- en drukvelden worden opgelost met behulp van de POD-Galerkin projectie van de consistent flux formulering. Dit houdt in dat Proper Orthogonal Decomposition (POD) modi worden geëxtraheerd uit hoog-fideliteit snapshots en de discrete operatoren (convectief, diffuusief, gradiënt en Laplaciaan) worden geprojecteerd op deze modi. Dit pad waarborgt massabehoud en handhaaft de fysieke koppeling van de Navier-Stokes vergelijkingen.
   • Niet-Intrusief Pad (Turbulente Viscositeit): In het besef dat intrusieve projectie faalt voor het turbulentieveld, wordt de turbulente viscositeit ($\nu_T$) gereconstrueerd met behulp van een data-gedreven closure. In plaats van de viscosievergelijking te projecteren, worden de temporele coëfficiënten van de turbulente viscositeit voorspeld met behulp van neurale netwerken die getraind zijn op de temporele coëfficiënten van snelheid en druk.

3. Neurale Netwerk Architecturen:

   • Drie architecturen werden geëvalueerd om de temporele evolutie van de viscositeitcoëfficiënten te modelleren: Multilayer Perceptron (MLP), Transformers, en Long Short-Term Memory (LSTM) netwerken.
   • De LSTM-architectuur werd gekozen vanwege de bekwaamheid om informatie over uitgebreide tijdshorizonten te propageren, wat cruciaal is voor het vastleggen van de geschiedenis-afhankelijke aard van onstabiele turbulente stromingen.

Belangrijkste Bijdragen

• Extensie naar 3D Turbulentie: Dit werk breidt eerdere "discretize-then-project" strategieën (voorheen beperkt tot 2D laminaire stromingen) uit naar volledig driedimensionale turbulente configuraties, waarmee de verhoogde fysieke complexiteit en computationele eisen worden geadresseerd.
• Hybride Closure voor Collocated Grids: Het artikel introduceert een nieuwe hybride benadering waarbij de turbulente viscositeit niet-intrusief wordt afgehandeld via machine learning, terwijl snelheid en druk worden beheerst door de fysische consistent flux formulering. Dit voorkomt de noodzaak voor complexe stabilisatietechnieken op het gereduceerde niveau.
• Vergelijkende Analyse van Architecturen: De studie biedt een systematische vergelijking van MLP, Transformer en LSTM netwerken voor turbulentie-closure, waarbij de specifieke sterktes van recurrente architecturen in deze context worden geïdentificeerd.

Resultaten
Het framework werd gevalideerd tegenover een 3D Large Eddy Simulation van een lid-driven cavity (unit cube, $50 \times 50 \times 50$ mesh, $Re$ gebaseerd op de snelheid van de lid)

• Modelconfiguratie: 10 POD-modi werden behouden voor snelheid, druk en turbulente viscositeit. De eerste 1800 tijdstappen werden gebruikt voor training, en de resterende 200 voor validatie.
• Prestatie-metrieken:
  • De LSTM-gebaseerde closure vertoonde superieure prestaties in het vastleggen van transiënte dynamiek vergeleken met de MLP en Transformer modellen.
  • Relatieve Fouten (LSTM):
    • Snelheid: 0,7%
    • Druk: 6,0% (consistent over alle architecturen)
    • Turbulente Viscositeit: 4,0% (significant lager dan MLP bij 14,0% en Transformer bij 9,0%)
  • Energie en Enstrophy: Het LSTM-model vertoonde iets lagere relatieve fouten in energie (0,7%) en enstrophy (1,7%) vergeleken met de andere architecturen.
• Visuele Validatie: Vergelijkingen van de snelheid-, druk- en turbulente viscositeitsvelden tussen de Full-Order Model en de Hybride ROM toonden aan dat de benadering accuraat is, waarbij de hybride techniek erin slaagt de stromingsstructuren succesvol te reproduceren.

Betekenis en Claims
Het artikel claimt dat het voorgestelde framework effectief de kloof overbrugt tussen de wiskundige consistentie van projectie-gebaseerde ROMs en de voorspellende flexibiliteit van deep learning. Door de behandeling van de stromingsvariabelen (intrusief voor snelheid/druk) en de turbulentie-closure (niet-intrusief voor viscositeit) te scheiden, bereikt de methode een stabiel en accuraat gereduceerd-orde model voor 3D turbulente stromingen op collocated grids zonder complexe stabilisatietechnieken te vereisen.

De auteurs concluderen bescheiden dat hoewel het hybride model succesvol de belangrijkste kenmerken van de stromingsevolutie voor de specifieke lid-driven cavity testcase vastlegt, aanvullende testgevallen vereist zijn om de prestaties van de aanpak over verschillende stromingscondities en geometrieën volledig te evalueren. De studie benadrukt dat het expliciet rekening houden met temporele correlaties (zoals gedaan door de LSTM) cruciaal is voor het modelleren van onstabiele turbulente dynamica waarbij de closure-term afhankelijk is van de recente stromingsgeschiedenis.