Order of Magnitude Analysis and Data-Based Physics-Informed Symbolic Regression for Turbulent Pipe Flow

Deze studie combineert orde-grootte-analyse met data-gedreven, fysisch geïnformeerde symbolische regressie om interpreteerbare correlaties voor wrijvingsfactoren in ruwe buizen af te leiden die nauwkeurig overeenkomen met experimentele data en voldoen aan fysische beperkingen.

De kern

Stel je voor dat je een enorme waterleiding moet bouwen. Je wilt precies weten hoeveel energie (of druk) er nodig is om het water door de buis te pompen. Als de buis glad is, is het makkelijk te berekenen. Maar als de binnenkant van de buis ruw is (zoals een oude, roestige pijp of een pijp met zandkorrels erin), wordt het een enorme hoofdpijn.

Voor honderden jaren hebben ingenieurs hiervoor formules gebruikt die een beetje op "gokwerk" leken. Ze namen oude meetgegevens en probeerden een lijn te trekken die er "redelijk" uitzag. Het probleem? Die formules waren vaak ingewikkeld, ondoorzichtig en faalden soms als je ze gebruikte voor situaties die ze nooit eerder hadden gezien.

Dit artikel vertelt het verhaal van een nieuwe, slimme manier om die formules te vinden.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. De "Rekenmachine" die niet alleen telt, maar ook begrijpt

Stel je voor dat je een robot wilt bouwen die een geheim recept moet vinden.

• De oude manier: Je geeft de robot een berg ingrediënten (data) en zegt: "Zoek een combinatie die smaakt zoals dit." De robot probeert alles door elkaar te gooien. Soms werkt het, maar soms komt hij met een recept dat smakeloos is of dat je niet kunt uitleggen.
• De nieuwe manier (in dit artikel): De onderzoekers zeggen tegen de robot: "Wacht even. We weten al een paar dingen over de natuur. Bijvoorbeeld: als je harder pompt, moet de druk omhoog gaan. Als de buis ruwer is, moet het moeilijker worden. Als je deze regels negeert, mag je het recept niet gebruiken."

Ze hebben een fysieke "checklist" gemaakt (de Order of Magnitude Analysis). Dit is als een setje gezond verstand-regels voor waterstroming. De robot mag geen formules bedenken die zeggen dat water sneller stroomt als de buis ruwer wordt, want dat is onzin.

2. De "Genetische Tuin"

Om de perfecte formule te vinden, gebruikten ze een techniek die Symbolic Regression heet. Dat klinkt ingewikkeld, maar het is eigenlijk als het kweken van planten in een tuin.

• Ze beginnen met duizenden willekeurige, gekke wiskundige zinnen (zoals "x + y - log(z)").
• Ze laten deze "planten" groeien en kruisen ze met elkaar (net als in de natuur: de sterkste overleeft).
• Maar in plaats van alleen te kijken welke plant het grootst is (de nauwkeurigste formule), kijken ze naar drie dingen tegelijk:
  1. Is hij mooi? (Past hij bij de meetgegevens?)
  2. Is hij simpel? (Is de formule niet onnodig lang en ingewikkeld?)
  3. Is hij eerlijk? (Volgt hij onze checklist van de natuur?)

Ze zoeken niet naar één "beste" plant, maar naar een perfecte balans tussen deze drie. Soms is een formule iets minder nauwkeurig, maar wel veel simpeler en natuurgetrouwer. Dat is vaak beter voor een ingenieur in de praktijk.

3. Het resultaat: Een nieuwe "Recept" voor water

Na duizenden pogingen vonden ze een paar nieuwe formules. De beste vondst (genaamd "Candidate 1") is als een slimme schakelaar.

• In een gladde buis: De formule ziet eruit als een simpele wet voor gladde oppervlakken.
• In een ruwe buis: De formule schakelt over naar een andere wet voor ruwe oppervlakken.
• In het midden: De formule weet precies hoe hij moet overgaan van het ene naar het andere, zonder haperen.

De oude formules (zoals de beroemde Colebrook-vergelijking) waren vaak als een ingewikkeld raadsel dat je maar moeilijk kon oplossen. De nieuwe formule is als een open boek: je kunt precies zien welke term voor de gladheid staat en welke voor de ruwheid.

Waarom is dit belangrijk?

Stel je voor dat je een nieuwe kerncentrale bouwt of een pijpleiding door de woestijn legt. Je gebruikt geen water, maar hete vloeibare metalen of stoom onder extreme druk. De oude formules zijn getest op water en lucht. Als je die gebruikt voor extreme situaties, kun je fouten maken die leiden tot lekkages of explosies.

De methode uit dit artikel is als een veiligheidsnet. Omdat de formule is gebaseerd op de fundamentele regels van de natuur (en niet alleen op oude data), kan de robot de formule waarschijnlijk ook gebruiken voor situaties die we nog nooit hebben gemeten. Het is een formule die niet alleen "weet" wat er gebeurd is, maar ook "begrijpt" waarom het gebeurt.

Kortom: De onderzoekers hebben een slimme robot gebouwd die, geholpen door de regels van de natuur, een nieuwe, heldere en betrouwbare handleiding heeft geschreven voor hoe water door ruwe buizen stroomt. Geen giswerk meer, maar wetenschap die je kunt begrijpen.

Technische samenvatting

Titel: Orde-van-Grootte Analyse en Data-gedreven, Fysisch Informatie Symbolische Regressie voor Turbulente Pijpstroming

Auteurs: Yunus Emre Ünal, Özgür Ertunç, Ismail Arı en Ivan Otić.
Instituut: Özyeğin Universiteit (Turkije) en Karlsruhe Institute of Technology (Duitsland).

---

1. Probleemstelling

Het voorspellen van wrijvingsverliezen in ruwe pijpen is essentieel voor hydraulisch ontwerp en energiesystemen. Traditionele methoden, zoals de semi-empirische Colebrook-White-vergelijking en expliciete benaderingen (bijv. Haaland), interpoleren decennia aan data maar reproduceren niet volledig het gedrag van Nikuradse's experimenten met ruwe pijpen. Deze formules zijn vaak impliciet (moeilijk om te inverteren) en kunnen onfysisch gedrag vertonen bij extrapolatie, zoals een afname van drukverlies bij toenemende ruwheid of onrealistische exponenten voor snelheid en viscositeit.

Bestaande data-gedreven methoden (zoals symbolische regressie) missen vaak de inbedding van fundamentele fysische beperkingen, wat leidt tot modellen die goed passen op trainingsdata maar fysisch onjuist zijn buiten het trainingsbereik.

2. Methodologie

De auteurs combineren een Orde-van-Grootte Analyse (OMA) met een fysisch-informatie symbolische regressie framework om nieuwe, compacte en interpreteerbare correlaties voor de wrijvingsfactor ($f$) te ontdekken.

A. Orde-van-Grootte Analyse (OMA)

Uitgaande van de Reynolds-gemiddelde Navier-Stokes-vergelijkingen en de transportvergelijkingen voor kinetische energie, leiden de auteurs schaalrelaties af voor de drukval ($\Delta P$).

• Ze splitsen de drukval op in een viskeuze bijdrage en een turbulente bijdrage (geïnduceerd door ruwheid).
• Deze bijdragen worden gemengd met een logistische functie om de overgang van gladde naar volledig ruwe turbulentie te modelleren.
• Uit deze analyse worden vier kwantitatieve fysische beperkingen afgeleid die de lokale sensitiviteiten van de drukval ten opzichte van vier parameters begrenzen:
  1. Snelheidssensitiviteit ($\chi$): De exponent van de snelheid moet variëren tussen 1 (viskeus) en 2 (turbulent), met een bovengrens van ca. 2,4.
  2. Ruwheidssensitiviteit ($s$): De drukval mag niet afnemen bij toenemende ruwheid ($s \ge 0$).
  3. Viscositeitssensitiviteit ($\alpha$): In de gladde regime is er een positieve afhankelijkheid, die naar nul gaat in het volledig ruwe regime.
  4. Dichtheidssensitiviteit ($\gamma$): De drukval moet positief afhankelijk zijn van de dichtheid, met een exponent dicht bij 1.

B. Fysisch Informatie Symbolische Regressie

De auteurs passen een aangepaste versie van GPTIPS 2 (Multi-Gene Genetische Programmering) toe:

• Zoekruimte: De input bestaat uit dimensieloze groepen (Reynoldsgetal $Re$ en relatieve ruwheid $\varepsilon/D$).
• Optimalisatie: In plaats van één "beste" fit te zoeken, wordt een 3-dimensionale Pareto-front geëvolueerd op basis van drie doelen:
  1. Fitness: Normaliseerde RMSE van de voorspelde wrijvingsfactor.
  2. Complexiteit: Het aantal knopen in de symbolische uitdrukking (simpliciteit).
  3. Fysische Score: Een maat voor de schending van de OMA-beperkingen (C1-C4).
• Proces: Voor elke kandidaat worden lineaire gewichten en ingebouwde constanten geoptimaliseerd (via Ridge-regressie en Nelder-Mead) en vervolgens gescoord op de vier fysische beperkingen.

3. Belangrijkste Bijdragen

1. Fysisch Onderbouwde Beperkingen: De paper levert kwantitatieve, data-gecalibreerde beperkingen voor de lokale machts-exponenten van drukval ten opzichte van snelheid, ruwheid, viscositeit en dichtheid. Dit dient als een "fysische prior" voor de regressie.
2. Nieuw Regressie Framework: Een workflow die GPTIPS 2 uitbreidt met gezamenlijke optimalisatie van constanten en een multi-objectieve Pareto-zoekopdracht, waarbij fysische consistentie expliciet wordt afgewogen tegen nauwkeurigheid en complexiteit.
3. Interpreteerbare Correlaties: De methode levert compacte, expliciete formules op die de experimentele data nauwkeurig reproduceren en tegelijkertijd de juiste asymptotische gedragingen (glad en volledig ruw) behouden, zonder simpelweg te interpoleren.

4. Resultaten

De methode werd getraind op data van Nikuradse (ruwe pijpen) en Superpipe (gladde pijpen). Vier kandidaat-modellen werden geselecteerd uit de Pareto-front:

• Kandidaat 1 (Beste Fit): Een complexe formule (45 knopen) met een zeer lage fout ($J_{err} \approx 0.012$) en goede fysische consistentie.
  • Interpretatie: De formule bestaat uit vier termen die respectievelijk de volledig ruwe wand, de activering van ruwheid (via een steile "switch"), de Reynolds-afhankelijkheid voor gladde wanden, en een zwakke interactiecorrectie vertegenwoordigen.
  • De formule reproduceert de overgang van glad naar ruw met realistische kromming en voldoet aan alle vier de OMA-beperkingen.
• Validatie: Het beste model (Kandidaat 1) werd gevalideerd op onafhankelijke datasets van de Princeton/Oregon "Superpipe" (Shockling en Langelandsvik), inclusief ruwe pijpen met een ruwheid die een orde van grootte groter was dan in de trainingsdata.
  • Het model generaliseert goed naar hoge Reynolds-getallen ($Re \sim 10^7$) en behoudt de juiste asymptotische gedragingen.
  • De afwijkingen in het extreem ruwe regime zijn vergelijkbaar met de bekende Haaland-benadering, wat aangeeft dat het model robuust is.
• Robuustheid: Een analyse van de gevoeligheid voor kleine variaties in de coëfficiënten toont aan dat de gevonden formules stabiel zijn, hoewel de scherpe "gating"-mechanismen (grote exponenten) zorgen voor lokale gevoeligheid bij de overgangsregio's.

5. Betekenis en Conclusie

De studie demonstreert dat het combineren van orde-van-grootte analyse met multi-objectieve symbolische regressie leidt tot wrijvingsfactormodellen die zowel interpreteerbaar als praktisch toepasbaar zijn.

• Overleg: In tegenstelling tot puur data-gedreven modellen die onfysisch gedrag kunnen vertonen, garandeert dit framework dat de gevonden relaties voldoen aan fundamentele behoudswetten en bekende asymptotische limieten.
• Toekomstige Toepassingen: Het framework is generiek en kan worden toegepast op andere dimensieloze correlatieproblemen waar alleen de leidende orde-balansen bekend zijn. Dit is bijzonder waardevol voor extreme thermohydraulische omgevingen (zoals kernreactoren met vloeibaar metaal of superkritisch water), waar standaard correlaties (zoals Haaland) mogelijk niet meer geldig zijn.

Kortom, de auteurs bieden een nieuwe weg voor het ontwikkelen van engineering-correlaties die de balans vinden tussen nauwkeurigheid, eenvoud en fysische consistentie.