Solving compressible Navier-Stokes equations using the feature-enhanced neural network

Deze studie breidt de feature-enhanced neural network (FENN) uit naar compressibele viskeuze stromingen en demonstreert voor het eerst dat deze methode, in tegenstelling tot bestaande technieken, zowel voorspellende als parametrische problemen van de compressibele Navier-Stokes-vergelijkingen succesvol kan oplossen.

De kern

Stel je voor dat je een heel ingewikkeld raadsel probeert op te lossen: hoe stroomt lucht rond een vliegtuigvleugel? Dit is niet zomaar een simpele windvlaag; het gaat om samendrukbare, viskeuze stroming. Dat klinkt als wiskundig jargon, maar in het dagelijks leven betekent het: lucht die zich als een dik, plakkerig honingraatje gedraagt, maar die ook snel kan worden samengedrukt (zoals een veer) en rond complexe vormen stroomt.

Vroeger gebruikten ingenieurs enorme computers en ingewikkelde roosters (netwerken van lijnen) om dit te simuleren. Het was als het bouwen van een gigantisch legpuzzel om te zien hoe de lucht stroomt.

Het probleem met de oude methode (PINNs)
In de afgelopen jaren zijn er slimme AI-methodes bedacht, genaamd PINNs (Physics-Informed Neural Networks). Je kunt je dit voorstellen als een zeer slimme student die de regels van de natuurkunde (de "wiskundige wetten") uit zijn hoofd kent en probeert de stroming te raden zonder dat hij een legpuzzel hoeft te bouwen.

Maar tot nu toe lukte dit alleen maar goed als de lucht "dun" en "glad" was (zoals water dat rustig stroomt of lucht die niet plakkerig is). Zodra de lucht dik, plakkerig en samendrukbaar werd (zoals bij echte vliegtuigen op hoge snelheid), raakte deze slimme student in de war. Hij gaf de verkeerde antwoorden, alsof hij droomde in plaats van te rekenen.

De oplossing: De "Feature-Enhanced" Neural Network (FENN)
De auteurs van dit paper, een team van onderzoekers uit China, hebben een oplossing bedacht. Ze noemen hun nieuwe methode FENN.

Stel je voor dat de slimme student (de AI) een blindeman is die probeert een landschap te beschrijven.

• De oude methode (PINN): De student krijgt alleen de coördinaten (x, y) en moet raden hoe het landschap eruitziet. Hij probeert het te raden op basis van de natuurwetten, maar hij loopt vaak tegen de muren aan.
• De nieuwe methode (FENN): De onderzoekers geven de student een extra hulpmiddel: een kaart met de kortste afstand tot de muur. Ze zeggen: "Hey, als je dicht bij de vleugel bent, is de lucht anders dan als je ver weg bent."

Dit extra stukje informatie (de "feature") is de sleutel. Het is alsof je de student een kompas geeft dat altijd naar de vleugel wijst. Door deze extra hint in het brein van de AI te stoppen, kan hij de complexe, plakkerige luchtstroming veel beter begrijpen en voorspellen.

Wat hebben ze bewezen?
Ze hebben deze nieuwe methode getest op vier verschillende scenario's:

1. Verschillende vliegtuigvleugels (soms dik, soms dun).
2. Verschillende snelheden en hoeken.
3. Zelfs een situatie waarbij de lucht loslaat van de vleugel (zoals een storm die een vliegtuig laat stuiteren).

Het resultaat?

• De oude methode (PINN) gaf volledig verkeerde resultaten; het was alsof de student droomde.
• De nieuwe methode (FENN) gaf bijna perfecte antwoorden, precies zoals de dure, traditionele computersimulaties.

De "Superkracht": Alles in één keer
Het mooiste deel is dat deze AI niet alleen één situatie kan leren. Je kunt de AI vragen: "Leer me hoe het stroomt bij alle hoeken van 0 tot 10 graden."

• Oude methode: Je moet de computer 10 keer laten rekenen, één keer voor elke hoek. Dat duurt lang en kost veel energie.
• Nieuwe methode (FENN): Je geeft de AI één keer de opdracht, en hij leert het hele spectrum in één keer. Het is alsof je in plaats van 10 verschillende kaarten te tekenen, één magische kaart tekent die alle mogelijke windrichtingen toont.

Conclusie
Kortom: Dit paper laat zien dat we eindelijk een manier hebben gevonden om AI te gebruiken om de allerlastigste luchtstromen rond vliegtuigen te simuleren. Door de AI een klein beetje "verstand" te geven over de vorm van het vliegtuig (de extra feature), kunnen we complexe problemen oplossen die voorheen onmogelijk leken voor deze slimme netwerken. Dit is een grote stap voorwaarts voor het ontwerp van efficiëntere en veiligere vliegtuigen in de toekomst.

Technische samenvatting

Titel: Oplossen van de samendrukbare Navier-Stokes-vergelijkingen met behulp van een feature-verbeterd neurale netwerk (FENN)

Auteurs: Jiahao Song, Wenbo Cao, en Weiwei Zhang (Northwestern Polytechnical University, China)

---

1. Probleemstelling

Physics-informed neural networks (PINNs) hebben veelbelovende resultaten geboekt bij het oplossen van partiële differentiaalvergelijkingen (PDE's) in de vloeistofmechanica, met name voor inviscide stromingen en incompressibele viskeuze stromingen. Echter, het oplossen van samendrukbare viskeuze stromingen (governed door de samendrukbare Navier-Stokes-vergelijkingen) blijft een aanzienlijke uitdaging voor bestaande PINN-methoden.

De complexiteit ontstaat door de koppeling van compressibiliteit en viscositeit, wat leidt tot een slecht gestelde (ill-conditioned) optimalisatieprobleem in de verliesfunctie van het neurale netwerk. Bestaande geavanceerde methoden, die goed werken voor Euler-vergelijkingen of incompressibele stromingen, falen vaak bij samendrukbare viskeuze stromingen, zelfs bij het gebruik van geavanceerde technieken zoals volumegewichting.

2. Methodologie

De auteurs passen hun eerder ontwikkelde Feature-Enhanced Neural Network (FENN) toe op dit probleem. De kern van de methodologie omvat de volgende elementen:

• Governing Equations: De methode lost de dimensieloze, stationaire, tweedimensionale samendrukbare Navier-Stokes-vergelijkingen op. Deze omvatten de continuïteits-, impuls- en energie-vergelijkingen, gekoppeld aan een toestandsvergelijking en definities voor schuifspanningen (viscositeit).
• FENN Architectuur:
  • In tegenstelling tot standaard PINNs, introduceert FENN specifieke features (kenmerken) die sterk gecorreleerd zijn met de stroming als extra invoer in het neurale netwerk.
  • In deze studie wordt gekozen voor de kortste afstand ($D$) van de collocation points tot de wand (airfoil) als enige feature. Dit wordt gedaan omdat geometrische features effectief zijn en een lagere rekenkosten hebben dan fysische features (zoals potentiaalstroomvelden).
  • Feature Networks: Om fouten in het berekenen van partiële afgeleiden te voorkomen (die ontstaan als features direct als invoer worden gebruikt zonder rekening te houden met hun afhankelijkheid van de ruimtelijke coördinaten), worden "feature networks" offline getraind. Deze fungeren als regressiemodellen voor de features. Tijdens de training van het hoofdnetwerk worden de afgeleiden van deze features correct berekend via automatische differentiatie.
• Verliesfunctie:
  • De standaard PDE-verliesfunctie wordt vervangen door een volumegewogen PDE-verlies (geïntroduceerd in eerdere werken van de auteurs). Dit vermindert de ill-conditioning veroorzaakt door niet-uniforme collocation points.
  • Het totale verlies is een som van de randvoorwaarden-verlies en het volumegewogen PDE-verlies, gewogen door respectievelijk $\lambda_{bc}$ en $\lambda_{r}$.
• Parametrische Problemen: Voor parametrische problemen (waarbij de aanvalshoek $\alpha$ varieert) wordt $\alpha$ toegevoegd als een extra invoervariabele, waardoor het netwerk in één trainingstijd alle stromingen binnen een bepaald bereik van aanvalshoeken kan voorspellen.

3. Belangrijkste Bijdragen

1. Eerste succesvolle toepassing: Dit is naar kennis van de auteurs de eerste keer dat een PINN-achtige methode succesvol zowel voorspellende (forward) als parametrische problemen voor samendrukbare viskeuze stromingen oplost.
2. Overcoming Failures: De studie demonstreert dat bestaande PINN-methoden (zelfs met volumegewichting) falen bij deze specifieke klasse van problemen, terwijl FENN dit overwint.
3. Efficiëntie: Door het selecteren van de meest efficiënte feature (afstand tot wand) en het gebruik van offline getrainde netwerken, wordt de extra rekentijd voor feature-extractie verwaarloosbaar gehouden.
4. Parametrische Capaciteit: De methode bewijst zijn meerwaarde ten opzichte van traditionele numerieke methoden (zoals FVM) door het efficiënt oplossen van parametrische ruimtes (bijv. verschillende aanvalshoeken) in één enkele training.

4. Resultaten

De methode werd gevalideerd aan de hand van vier forward-problemen en één parametrisch probleem, met als referentieoplossingen berekend via de Finite Volume Method (FVM).

• Forward Problems (Vier Cases):
  • Scenario's: Verschillende Mach-getallen (0.5 - 0.7), Reynolds-getallen (400 - 800), aanvalshoeken (inclusief een geval met grote aanvalshoek van 20° voor gescheiden stroming) en drie verschillende NACA-airfoils (0012, 2418, 4424).
  • Prestaties: FENN convergeerde sneller dan standaard PINNs en bereikte verlieswaarden die ongeveer één orde van grootte lager waren.
  • Nauwkeurigheid: De drukcoëfficiënten ($C_p$) en stroomlijnen van FENN kwamen zeer goed overeen met de FVM-referentie. Standaard PINNs vertoonden grote afwijkingen en faalden in het correct vastleggen van de stroming, zelfs bij gescheiden stroming (Case 2).
• Parametrisch Probleem:
  • Scenario: Een NACA0012 airfoil met variabele aanvalshoek ($\alpha \in [-5^\circ, 5^\circ]$) bij $Ma=0.4$ en $Re=1000$.
  • Resultaat: FENN slaagde erin om de drukverdeling voor het volledige bereik van aanvalshoeken in één training te genereren. De resultaten vertoonden kleine afwijkingen ten opzichte van de sequentieel berekende FVM-oplossingen, wat de effectiviteit van de parametrische aanpak bevestigt.

5. Betekenis en Conclusie

De studie markeert een belangrijke stap in de toepassing van machine learning in de vloeistofmechanica. Het bewijst dat PINN-achtige methoden niet beperkt zijn tot inviscide of incompressibele stromingen, maar ook complexere samendrukbare viskeuze stromingen kunnen hanteren.

• Technologische Impact: De introductie van features (zoals geometrische afstanden) als invoer is cruciaal voor het stabiliseren van de training bij complexe PDE-systemen.
• Toekomstperspectief: Hoewel de resultaten veelbelovend zijn, beperkt de huidige studie zich tot subsonische laminaire stromingen. De auteurs erkennen dat uitdagingen zoals schokgolven en turbulentie nog moeten worden opgelost, mogelijk door verdere verfijning van de methodologie.

Samenvattend biedt FENN een robuust en efficiënt alternatief voor traditionele numerieke methoden bij het simuleren van complexe stromingsproblemen, met name waar parametrische studies en inverse problemen nodig zijn.