Physics-informed data-driven inference of an interpretable equivariant LES model of incompressible fluid turbulence

Dit paper introduceert een interpreteerbaar, symmetrie-invariante subgrid-schaalmodel voor incompressibele turbulentie dat zonder fenomenologische aannames of aanpasbare parameters nauwkeuriger is dan bestaande LES-modellen en lokale fluxen correct voorspelt door gebruik te maken van een rang-twee tensorveld.

De kern

De Grote Uitdaging: Het Voorspellen van een Chaos

Stel je voor dat je probeert het weer te voorspellen. De atmosfeer is een enorme, chaotische soep van windstromen, wolken en stormen. In de wereld van de natuurkunde noemen we dit turbulentie.

Om dit te simuleren op een computer, moeten we de lucht in kleine blokjes verdelen. Maar hier zit het probleem: de luchtstromingen zijn zo ingewikkeld dat er wervelingen zijn die kleiner zijn dan een haar, terwijl de grote stormsystemen kilometers groot zijn. Als je elke kleine werveling wilt berekenen, heb je een supercomputer nodig die groter is dan het heelal. Dat is onmogelijk.

Dus, wetenschappers gebruiken een truc: ze kijken alleen naar de grote stromingen (zoals een grote draaikolk) en proberen de invloed van de kleine, onzichtbare wervelingen (zoals de trillingen in de lucht) te schatten. Dit noemen ze een "subgrid-model".

Het Oude Probleem: De Slechte Schattingen

Tot nu toe waren deze schattingen vaak gebaseerd op oude, strenge regels (zoals: "de lucht is altijd gelijkmatig" of "de wind waait altijd in één richting"). Het probleem is dat de natuur deze regels vaak negeert. In de echte wereld zijn er vaak grote, gestructureerde wervelingen (zoals een orkaan of een draaikolk in een badkuip) die het gedrag van de kleine wervelingen beïnvloeden.

De oude modellen waren als een slechte weerman die alleen kijkt naar de gemiddelde temperatuur en vergeet dat er een lokale storm opkomt. Ze konden niet goed voorspellen hoe energie van de grote stromingen naar de kleine stromingen gaat, of andersom (een fenomeen dat "backscatter" heet, alsof een golf terugkaatst naar de kust in plaats van erop te slaan).

De Nieuwe Oplossing: Een Slimme, Leren Assistent

In dit artikel presenteren de onderzoekers een nieuw model, genaamd NGMR. In plaats van te vertrouwen op oude regels, hebben ze een slimme computer (kunstmatige intelligentie) laten kijken naar miljoenen simulaties van echte, perfecte waterstromen (die ze "DNS" noemen).

Hier is hoe hun nieuwe aanpak werkt, vergeleken met de oude:

1. Het Oude Model (De "Statische" Manier):
   Stel je voor dat je een grote rivier bekijkt. De oude modellen zeggen: "De stroming is overal hetzelfde, dus we gebruiken één simpele formule om de kleine golven te schatten." Dit werkt soms, maar faalt als er een grote rots in de rivier ligt die de stroming verstoort.

2. Het Nieuwe Model (De "Dynamische" Manier):
   Het nieuwe model NGMR doet iets anders. Het zegt: "We weten dat de kleine golven niet zomaar verdwijnen. Ze hebben hun eigen 'geheugen' en gedrag."

   • Het introduceert een nieuwe variabele: een soort "geheugenbank" voor de kleine wervelingen.
   • Het leert een eigen regelsysteem voor hoe deze geheugenbank zich in de tijd verandert. Het is alsof je niet alleen kijkt naar de stroming, maar ook een aparte regeling hebt voor hoe de kleine wervelingen groeien, samensmelten en verdwijnen.

De Creatieve Analogie: Het Orkest

Laten we turbulentie vergelijken met een groot orkest:

• De grote stromingen zijn de violen en celli (de melodie die je duidelijk hoort).
• De kleine wervelingen zijn de fluitjes en triangelletjes (de snelle, kleine details).

De oude modellen probeerden de fluitjes te voorspellen door alleen naar de celli te kijken en te zeggen: "Als de celli hard spelen, spelen de fluitjes ook hard." Dit werkt niet als de fluitjes een eigen solo hebben.

Het nieuwe NGMR-model heeft een extra dirigent voor de fluitjes.

• Het kijkt naar de celli (de grote stroming).
• Maar het heeft ook een eigen notenblad voor de fluitjes (de subgrid-variabele $R$).
• Dit notenblad vertelt de fluitjes hoe ze zich moeten gedragen, hoe ze energie moeten opnemen en hoe ze weer energie moeten teruggeven aan de celli.

Dit maakt het model veel accurater. Het kan niet alleen de grote melodie voorspellen, maar ook de complexe interacties tussen de instrumenten.

Waarom is dit zo belangrijk?

1. Geen "Gokjes" meer: Het model heeft geen handmatig ingestelde knoppen of "gokjes" nodig. Het heeft de regels zelf geleerd uit de data.
2. Voorspellen van het Onvoorspelbare: Het kan heel goed voorspellen hoe energie van kleine naar grote schaal stroomt (backscatter). Dit is cruciaal voor het begrijpen van hoe stormen ontstaan of hoe vliegtuigen door de lucht vliegen.
3. Stabiliteit: Oude modellen werden vaak onstabiel en "explodeerden" in de computer als je ze te lang liet draaien. Dit nieuwe model is ontworpen om stabiel te blijven, zelfs in de meest chaotische situaties.
4. Interpreteerbaar: In tegenstelling tot veel moderne AI-modellen die een "zwarte doos" zijn (je weet niet hoe ze tot een antwoord komen), is dit model opgebouwd uit wiskundige formules die mensen kunnen lezen en begrijpen. We weten precies welke termen erin zitten en wat ze betekenen.

Conclusie

De onderzoekers hebben een nieuwe manier gevonden om de chaos van vloeistoffen (zoals water en lucht) te simuleren. Door een extra "geheugen" toe te voegen voor de kleine wervelingen en dit te laten leren van perfecte simulaties, hebben ze een model gemaakt dat veel nauwkeuriger is dan alles wat we tot nu toe hadden.

Het is alsof ze van een simpele schets van een storm zijn gegaan naar een gedetailleerde, 3D-film die elke regendruppel en elke windvlaag correct voorspelt, zonder dat de computer vastloopt. Dit opent de deur voor betere weersvoorspellingen, efficiëntere vliegtuigen en een beter begrip van het klimaat.

Technische samenvatting

Probleemstelling

De ontwikkeling van nauwkeurige subgrid-schaal (SGS) modellen voor turbulente stromingen wordt gehinderd door restrictieve fenomenologische aannames. Traditionele Large Eddy Simulation (LES) modellen, zoals de Smagorinsky-modellen, gaan vaak uit van homogeniteit, isotropie en schaal-invariantie. Deze aannames zijn vaak onjuist in stromingen met prominente coherente structuren (zoals wervels), wat leidt tot onnauwkeurigheden bij het voorspellen van essentiële grootheden zoals lokale energiefluxen en "backscatter" (energetische terugkoppeling van kleine naar grote schalen). Bestaande machine learning-benaderingen (zoals diep leren) missen vaak interpretbaarheid en stabiliteit, terwijl symbolische regressie-methoden soms geen correcte transformatie-eigenschappen (equivariantie) onder rotaties garanderen.

Methodologie

De auteurs introduceren een nieuw, interpreteerbaar en stabiel SGS-model genaamd NGMR (Nonlinear Gradient Model with Reynolds stress), dat geen aanpasbare parameters vereist en geen fenomenologische aannames maakt. De methode combineert eerste-principes analyse met een geavanceerd data-gedreven raamwerk:

1. Data-Generatie: Directe Numerieke Simulaties (DNS) worden uitgevoerd voor tweedimensionale incompressibele turbulentie in drie regimes: gedwongen statistisch stationaire turbulentie (met directe en inverse cascade) en vrij afnemende turbulentie. De data omvat verschillende viscositeiten en Reynolds-getallen.
2. Coarse-Graining: De DNS-data wordt gefilterd met een Gaussische filter om de "opgeloste" (resolved) variabelen en de subgrid-schaal spanningstensor ($\tau_{ij}$) te definiëren.
3. SPIDER Framework: Voor het afleiden van de vergelijkingen wordt het SPIDER-algoritme (Symbolic Physics-Informed Data-driven Equation Recovery) gebruikt. Dit algoritme:
   • Gebruikt groep-representatietheorie om term-bibliotheken te genereren die strikt equivariant zijn onder rotaties en Galileïsche transformaties.
   • Past een zwakke formulering van partiële differentiaalvergelijkingen toe om numerieke ruis en discretisatiefouten te minimaliseren.
   • Gebruikt sparse regression om de meest parsimonieuze (eenvoudigste) relaties te identificeren.
4. Modelstructuur: In plaats van $\tau_{ij}$ uitsluitend uit te drukken in termen van de opgeloste snelheid $\bar{u}$, introduceert het model een extra tensorveld $R_{ij}$ (de Reynolds-schaal spanning) om de kleinste schalen te beschrijven. Dit leidt tot een gekoppeld systeem van vergelijkingen:
   • Een uitdrukking voor $\tau_{ij}$ die bestaat uit een gradient-term (NGM), een hogere-orde correctie (NGM4) en de extra variabele $R_{ij}$.
   • Een evolutievergelijking voor $R_{ij}$ die is afgeleid uit de data en symmetrie-overwegingen, zonder phenomenologische sluitingsrelaties.

Belangrijkste Bijdragen

• Interpreteerbaarheid: Het model is volledig symbolisch en bestaat uit expliciete termen met fysieke betekenis, in tegenstelling tot "black-box" neurale netwerken.
• Equivariantie en Stabiliteit: Door het gebruik van symmetrie-gedreven bibliotheken is het model van nature invariant onder rotaties en Galileïsche transformaties, wat zorgt voor fysiek consistente en stabiele evolutie.
• Nieuwe Variabele: Het introduceren van een tensorveld $R_{ij}$ met een eigen evolutievergelijking (vergelijkbaar met RANS-modellen, maar data-gedreven) blijkt cruciaal om zowel de spanningstensor als de lokale fluxen correct te modelleren.
• Geen Aanpasbare Parameters: Het model vereist geen tuning; alle coëfficiënten worden afgeleid uit schalingsanalyse en dimensieanalyse.

Resultaten

Het model is getest via a priori (vergelijking van voorspellingen met gefilterde DNS-data) en a posteriori (online simulatie) benchmarks:

1. A Priori Prestaties:
   • NGMR voorspelt de SGS-spanningstensor ($\tau_{ij}$), lokale energieflux ($\Pi$) en gemiddelde energieflux met bijna perfecte nauwkeurigheid over een breed scala aan filtergroottes ($\delta$), tot en met $\delta = 1$ (waar de filtergrootte gelijk is aan de integraalschaal).
   • Bestaande modellen (Smagorinsky, Similarity, Dynamic Mixed, en zelfs NGM4) falen bij het voorspellen van lokale fluxen en backscatter, vooral bij grotere filtergroottes. NGM4 voorspelt de spanningstensor redelijk goed, maar faalt bij de fluxen.
2. A Posteriori Prestaties:
   • In simulaties van vrij afnemende en gedwongen turbulentie behoudt NGMR een hoge correlatie met DNS-data voor veel langere tijdschalen dan andere modellen.
   • NGMR voorspelt nauwkeurig zowel de energie-spectra als de waarschijnlijkheidsdichtheidsfuncties (PDF's) van wervelheid en energieflux, inclusief de asymmetrie tussen dissipatie en backscatter.
   • Andere modellen overschatten vaak de dissipatie of voorspellen onjuiste backscatter-waarden, wat leidt tot afwijkingen in de stromingsdynamica.
3. Stabiliteit: Het model is numeriek stabiel zonder agressieve "clipping" (het nulzetten van backscatter), wat vaak nodig is bij traditionele modellen.

Significantie

Deze studie toont aan dat het combineren van formele analyse met data-gedreven inferentie leidt tot superieure SGS-modellen. De belangrijkste inzichten zijn:

• De capaciteit om de spanningstensor nauwkeurig te voorspellen, garandeert niet dat lokale fluxen of backscatter correct worden voorspeld. Alle componenten van de LCR-decompositie (Leonard, Cross, Reynolds) moeten worden gemodelleerd.
• De structuur van het afgeleide model (met een extra tensorveld) lijkt meer op RANS-modellen dan op traditionele LES-modellen, wat suggereert dat de scheiding tussen "opgeloste" en "subgrid" schalen in LES fundamenteel anders moet worden benaderd voor complexe stromingen.
• Het model is robuust over een breed scala aan Reynolds-getallen en filtergroottes, wat het een veelbelovende kandidaat maakt voor praktische toepassingen.
• Hoewel het onderzoek beperkt is tot 2D-turbulentie, is het raamwerk generaliseerbaar naar 3D en samendrukbare stromingen, wat een natuurlijke volgende stap is voor toekomstig onderzoek.

Kortom, het NGMR-model biedt een nieuwe weg naar het creëren van nauwkeurige, stabiele en fysiek interpreteerbare modellen voor turbulente stromingen, zonder de beperkingen van traditionele fenomenologische aannames.