Numerically Consistent Non-Boussinesq Subgrid-scale Stress Model with Enhanced Convergence

Dit artikel presenteert een numeriek consistent, non-Boussinesq subgrid-schaal spanningmodel voor large-eddy simulatie dat gebruikmaakt van data-assimilatie en multi-task leren om een verbeterde convergentie en verbeterde voorspellingen van turbulente grenslagen onder ongunstige drukgradiënten te bereiken vergeleken met het Dynamic Smagorinsky-model.

De kern

Stel je voor dat je probeert te voorspellen hoe een rivier rond een rotsachtige bocht stroomt. Als je probeert de beweging van elk afzonderlijk watermolecuul te berekenen, zou het een supercomputer eeuwen kosten om de klus te klaren. Dit is wat wetenschappers "Direct Numerical Simulation" (DNS) noemen. Het is perfect, maar te traag voor de echte wereld van engineering.

Daarom gebruiken ingenieurs een kortere route die "Large-Eddy Simulation" (LES) wordt genoemd. Denk hierbij aan het bekijken van de rivier vanuit een helikopter. Je ziet de grote draaikolken en de hoofdstroom duidelijk, maar de kleine rimpelingen en wervelingen zijn te klein om te zien. Om de simulatie te laten werken, heb je een "Subgrid-Scale (SGS) Model" nodig. Dit model is een "gok-bewaker" die zegt: "Oké, ik kan de kleine rimpelingen niet zien, maar ik weet dat ze bestaan, dus ik voeg een beetje 'wrijving' toe aan mijn berekening om rekening mee te houden."

Decennialang waren deze modellen als het gebruik van een generieke, een voor alle doeleinden geldende wrijvingsinstelling. Ze werken prima in eenvoudige rivieren, maar wanneer het water turbulent wordt, tegen een helling aan botst of rond een complexe vorm stroomt, falen deze generieke modellen vaak. Ze kunnen voorspellen dat het water vertraagt terwijl het juist zou moeten versnellen, of ze raken in de war wanneer je de simulatie gedetailleerder probeert te maken.

Het Probleem: De "Zoom"-paradox
Normaal gesproken geldt: als je een computersimulatie gedetailleerder maakt (meer gridpunten toevoegt, zoals inzoomen met een camera), zou het antwoord beter moeten worden. Maar bij deze oude modellen kan het zo zijn dat het juist slechter wordt als je het grid fijner maakt. Het is alsof je probeert een wazige foto te repareren door meer pixels toe te voegen, maar de software voegt alleen maar meer ruis toe. Dit wordt "non-monotone convergentie" genoemd, en het is een grote hoofdpijn voor ingenieurs.

De Oplossing: Een Slimme, Gepersonaliseerde Coach
De auteurs van dit artikel, Ling en Lozano-Duran, hebben een nieuw soort SGS-model gemaakt met behulp van Machine Learning. In plaats van de wrijving te gokken, hebben ze een computer geleerd om de exacte "wrijving" te leren door naar een perfecte simulatie (de DNS) te kijken en deze vervolgens te proberen na te bootsen.

Hier is hoe ze dit deden, met drie eenvoudige analogieën:

1. De "Nudging"-coach
Stel je voor dat je probeert te leren fietsen, maar je hebt alleen een wazige kaart van het pad. Een "nudging"-aanpak is als een coach die naast je staat. Elke keer als je van het perfecte pad afwijkt (de DNS-data), geeft de coach je een zachte duw (een "nudge") om je weer op koers te krijgen.
In dit artikel draait de computer een simulatie en wordt hij richting de perfecte data geduwd. De computer legt dan vast hoe hard hij moest duwen om op koers te blijven. Deze "duwkracht" wordt de trainingsdata voor het nieuwe model. Het model leert: "Wanneer het water er zo uitziet, moet ik die hard duwen."

2. De "Non-Boussinesq" Gereedschapskist
Oude modellen waren als een hamer: ze wisten alleen hoe ze in één richting moesten duwen (zoals eenvoudige wrijving). Maar echt waterverloop is complex; het draait, buigt en roteert.
De auteurs bouwden een nieuw model dat meer is als een Zwitsers zakmes. In plaats van slechts één gereedschap, gebruikt het een "tensoriële" aanpak, wat betekent dat het verschillende instrumenten heeft voor verschillende richtingen. Het kan het draaien en buigen van het water veel beter aan dan de oude "hamer"-modellen. Ze noemen dit een "non-Boussinesq" formulering, wat gewoon een chique manier is om te zeggen: "We stopten met ervan uitgaan dat het water simpel gedrag vertoont en begonnen het te behandelen als de complexe, draaiende vloeistof die het echt is."

3. De "Multi-Task" Student
Dit is de grootste doorbraak van het artikel. Meestal, wanneer je een machine learning-model traint, zeg je alleen dat het "nauwkeurig" moet zijn. Maar de auteurs realiseerden zich dat voor dit werk het model een specifieke les moet leren: "Naarmate je gedetailleerder wordt, moet je ook nauwkeuriger worden."
Ze gebruikten een strategie genaamd "Multi-Task Learning". Stel je een student voor die drie examens maakt: een makkelijke (grof grid), een gemiddelde, en een moeilijke (fijn grid).

• De oude manier: De leraar beoordeelt ze allemaal gelijkwaardig. De student kan de makkelijke test geweldig maken, maar de moeilijke test verprutsen.
• De nieuwe manier: De leraar zegt tegen de student: "De moeilijke test is 100 keer belangrijker dan de makkelijke test."
  Door de trainingsdata op deze manier te wegen, wordt de student gedwongen om prioriteit te geven aan het correct krijgen van de fijne details. Dit zorgt ervoor dat wanneer je inzoomt (het grid verfijnt), het antwoord steeds beter wordt en nooit slechter.

De Resultaten
Ze testten dit nieuwe model op een turbulente stroming die tegen een helling aan botst (zoals lucht die over een vleugel stroomt die omhoog gekanteld is).

• Nauwkeurigheid: Het voorspelde de snelheid van de lucht en de druk op de wand veel beter dan het standaard "Dynamic Smagorinsky"-model (de huidige industriestandaard).
• Convergentie: Het belangrijkste is dat wanneer ze het grid fijner maakten, de fout stapsgewijs afnam. De "zoom-paradox" was opgelost. Het model gedroeg zich precies zoals een goede simulatie hoort te werken: meer detail betekent betere resultaten.

In het kort
De auteurs hebben een slimmer, flexibeler AI-model gebouwd voor het simuleren van turbulente vloeistoffen. Door het te trainen met een "nudging"-techniek, het een complexere "Zwitsers zakmes"-gereedschapskist te geven in plaats van een simpele hamer, en het te dwingen om prioriteit te geven aan fijne details via speciale trainingsgewichten, hebben ze een model gecreëerd dat zowel nauwkeuriger als betrouwbaarder is naarmate simulaties gedetailleerder worden.

Technische samenvatting

Technische Samenvatting: Numeriek consistente Non-Boussinesq Subgrid-Scale Stress Model met Verbeterde Convergentie

Probleemstelling
Wall-modeled large-eddy simulation (WMLES) biedt een computationeel efficiënt alternatief voor direct numerical simulation (DNS) voor industriële stromingen met een hoog Reynoldsgetal. Conventionele subgrid-scale (SGS) modellen vertrouwen echter vaak op fysische benaderingen (bijv. lineaire eddy-viscositeit afsluitingen) en empirische afstemming die tekortschieten in complexe stromingsscenario's, zoals stromingen met een ongunstige drukgradiënt (APG) of loslating. Een kritieke beperking in de huidige WMLES-praktijk is de niet-monotone convergentie van oplossingen bij gridverfijning; fouten voortvloeiend uit de interactie tussen SGS-modellering, numerieke discretisatie en wandmodellen kunnen ervoor zorgen dat voorspellingen verslechteren in plaats van verbeteren bij gridverfijning. Bovendien worstelen bestaande machine learning (ML)-gebaseerde SGS-modellen vaak in a posteriori tests, omdat ze doorgaans zijn getraind op gefilterde DNS-data (a priori training), wat inconsistent is met de numerieke fouten die inherent zijn aan LES-solvers. Hoewel data-assimilatiebenaderingen zoals het Building-Block Flow (BFM) model veelbelovend zijn gebleken, waren eerdere iteraties beperkt tot configuraties met één inhomogene richting (bijv. kanaalstromingen) en hadden ze moeite met loslatende stromingen.

Methodologie
Deze studie breidt het data-assimilatiekader van Ling en Lozano-Duran (2025) uit om een numeriek consistent, ML-gebaseerd SGS-model te ontwikkelen voor turbulente grenslagen (TBL) onder APG, een configuratie met twee inhomogene richtingen. De methodologie bestaat uit drie primaire stappen:

1. Referentiestatistieken en Nudging: De auteurs maken gebruik van een DNS van een APG TBL (met een hellingshoek van $5^\circ$ en $Re_\theta = 670$) om doelstatistieken te definiëren. In plaats van volledige trajecten te assimileren, wat slecht gedefinieerd is voor grovere systemen, gebruiken zij een statistische nudging-benadering. Een corrigerende forceringsterm ($F_{nudging}$) wordt toegevoegd aan de WMLES-impulsvergelijkingen om het gemiddelde snelheidsprofiel naar het DNS-doel te drijven. Dit genereert een "numeriek consistente" doel-forcing ($F_{target}$) die rekening houdt met de specifieke discretiefouten van de solver (charLES, een GPU-versnelde eindige-volumencode).
2. Non-Boussinesq Modelformulering: Om de beperkingen van lineaire eddy-viscositeitsmodellen in complexe stromingen aan te pakken, adopteren de auteurs een non-Boussinesq tensoriële SGS-formulering. Het model voorspelt de SGS-stress-tensor ($\tau^{SGS}$) met behulp van twee termen: een standaard rek-snelheidsterm en een rotatietensorterm ($SR - RS$). De coëfficiënten voor deze termen worden geparametriseerd door een multi-layer perceptron (MLP) neuraal netwerk. De netwerkinputs zijn dimensieloze invarianten afgeleid van de rek- ($S$) en rotatietensors ($R$), geselecteerd via een informatie-theoretische benadering (Buckingham-$\pi$ stelling) om het voorspellend vermogen te maximalen.
3. Multi-Task Learning met Verbeterde Convergentie: Het model wordt getraind met een supervised learning-strategie die een gecombineerde verliesfunctie minimaliseert. Deze verliesfunctie bevat een forcing-matching term (om $F_{target}$ te reproduceren) en een dissipatie-matching term (om ervoor te zorgen dat het model energie dissipeert die consistent is met het basis Dynamic Smagorinsky Model (DSM)). Cruciaal is dat de auteurs een multi-task learning-strategie implementeren waarbij trainingsdata van drie verschillende gridresoluties (grof, medium, fijn) verschillend worden gewogen. Door hogere gewichten toe te kennen aan fijnere grids, wordt het trainingsproces expliciet gedwongen tot een monotone convergentiegedrag, waarmee het probleem wordt aangepakt waarbij grovere grids soms lagere fouten opleveren dan fijnere grids in conventionele modellen.

Belangrijkste Bijdragen

• Uitbreiding naar twee Inhomogene Richtingen: Het kader is gegeneraliseerd van enkelvoudige-richting kanaalstromingen naar APG TBL's, waarbij meer complexe fysica en secundaire gemiddelde bewegingen worden geaccommodeerd.
• Non-Boussinesq Formulering: De adoptie van een tensoriële SGS-model met een rotatieterm gaat verder dan de Boussinesq-hypothese, waardoor complexe stress-anisotropieën beter gevangen kunnen worden.
• Dissipatie-Matching Loss: Een specifieke verliescomponent is geïntroduceerd om de energie-dissipatie van het model te beperken, een statistische vereiste die essentieel is gebleken voor het vangen van loslating bij gladde lichamen.
• Convergentie-Verbeterde Training: De integratie van resolutie-afhankelijke weging in de verliesfunctie wordt voorgesteld als een mechanisme om monotone grid-convergentie af te dwingen, een eigenschap die vaak ontbreekt in standaard data-gedreven SGS-modellen.

Resultaten
Posteriori tests werden uitgevoerd op de APG TBL-casus met het getrainde model vergeleken met het Dynamic Smagorinsky Model (DSM) en de optimale genudged simulatie.

• Nauwkeurigheid: Het voorgestelde model presteert significant beter dan de DSM bij het voorspellen van gemiddelde snelheidsprofielen en wandz shear-spanning (wandschuifspanning), en bereikt resultaten die vergelijkbaar zijn met de optimale genudged voorspelling. In sommige regio's leek het model de genudged simulatie zelfs te overtreffen, waarschijnlijk door foutencancellatie tussen de SGS en de wandmodellen.
• Convergentie: De studie toonde aan dat de "gelijke gewichten" trainingsstrategie resulteerde in niet-monotone convergentie (waarbij het grofste grid de laagste fout had). In tegenstelling hiertoe slaagde de voorgestelde "ongelijke gewichten" strategie (die prioriteit geeft aan fijnere grids) erin om een consistente, monotone convergentietrend te herstellen naarmate het grid werd verfijnd, hoewel het fijnste grid nog steeds onder-opgelost was.

Betekenis en Claims
Het artikel presenteert een proof-of-concept voor een data-gedreven SGS-modellering die numeriek consistent is met de stromingssolver en in staat is om complexe, meer-directionele stromingsconfiguraties te behandelen. De auteurs beweren dat door statistische nudging te integreren met een non-Boussinesq formulering en een multi-task learning-strategie, zij twee hardnekkige uitdagingen in WMLES hebben aangepakt: de onnauwkeurigheid van lineaire afsluitingen in complexe stromingen en de niet-monotone convergentie van numerieke oplossingen. Het werk suggereert dat het expliciet bevorderen van monotone convergentie door middel van training loss-weging een levensvatbare weg is naar robuustere, productie-klare ML-gebaseerde SGS-modellen. De studie erkent beperkingen, waarbij wordt opgemerkt dat de huidige nudging-methode scalair is (alleen in de stromingsrichting) en dat toekomstig werk nodig is om dit uit te breiden naar vector-gevalide nudging voor volledig loslatende stromingen en om de weging-planning te automatiseren voor bredere toepasbaarheid.