Efficient and Accurate Surrogate Modeling of Turbulent Flows via Space-Dependent Aggregation and Reduced Order Models

Dit artikel introduceert een uniek raamwerk dat ruimteafhankelijke aggregatie en niet-intrusieve gereduceerde orde-modellen combineert met een door een neurale netwerk geleerde weging om nauwkeurige en efficiënte surrogaatmodellen voor turbulente stromingen te creëren die de prestaties van individuele RANS-modellen overtreffen tegen een bijna real-time rekentijd.

De kern

Stel je voor dat je een zeer complexe weersvoorspelling moet maken, maar je hebt slechts een paar uur de tijd. Je hebt drie verschillende experts: één die goed is in wind, één in regen en één in wolken. Als je alleen naar de 'wind-expert' kijkt, mis je de regen. Als je alleen naar de 'regen-expert' kijkt, mis je de wind.

In de wereld van techniek en natuurkunde heet dit het voorspellen van turbulente stromingen (zoals lucht die om een vliegtuigvleugel stroomt of water dat over een dam stroomt). De huidige methoden om dit te simuleren zijn als volgt:

1. De perfecte methode (DNS): Dit is alsof je elke druppel regen en elke windvlaag individueel meet. Het is super nauwkeurig, maar het duurt eeuwen om te rekenen. Onmogelijk voor dagelijks gebruik.
2. De snelle methode (RANS): Dit is alsof je de experts vraagt om een gemiddelde voorspelling te doen. Het is snel, maar vaak niet helemaal nauwkeurig, vooral op lastige plekken.

Het probleem: Geen enkele 'snelle expert' is overal perfect. Soms is expert A beter, soms expert B.

De oplossing uit dit paper:
De onderzoekers van SISSA (een universiteit in Italië) hebben een slimme manier bedacht om deze experts te laten samenwerken, zodat je de snelheid van de snelle methode krijgt, maar de nauwkeurigheid van de perfecte methode. Ze noemen dit een Surrogaatmodel.

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De "Mix-Expert" (Aggregatie)

In plaats van te kiezen voor één expert, maken ze een super-expert die op elke plek in het landschap weet wie de beste is.

• Voorbeeld: Stel je een rivier voor. Bij de oever is de stroming rustig (expert A is hier de beste). In het midden is het wild en turbulent (expert B is hier de beste).
• De onderzoekers laten de computer leren: "Op plek X luister je 90% naar expert A en 10% naar expert B. Op plek Y draai je dat om."
• Ze doen dit niet met een statische regel, maar met een Neuraal Netwerk (een soort AI). Dit netwerk fungeert als een slimme regisseur die continu de beste mix van adviezen kiest, afhankelijk van waar je in de rivier kijkt.

2. De "Snelheidstrainer" (Reduced Order Models - ROM)

Zelfs met de beste mix-expert duurt het rekenen nog steeds te lang als je het honderden keren moet doen (bijvoorbeeld voor het ontwerp van 100 verschillende vliegtuigvleugels).

• Hier komt de ROM (Reduced Order Model) om de hoek kijken.
• De analogie: Stel je voor dat je een hele film hebt gezien (de dure, nauwkeurige simulatie). In plaats van de hele film opnieuw te draaien om te zien wat er gebeurt als je de kleur van de auto verandert, maakt de ROM een samenvatting of een kort verhaal van de film.
• De ROM leert de patronen van de dure simulaties. Zodra het die patronen kent, kan het nieuwe situaties in een flits voorspellen, zonder de dure berekening opnieuw te hoeven doen.

De twee manieren om dit te doen (MFR vs. MR)

De onderzoekers hebben twee manieren getest om deze "Mix-Expert" en de "Snelheidstrainer" te combineren:

• Methode A (MFR): Eerst laten ze de experts samenwerken om één perfecte "gemengde" simulatie te maken. Daarna leren ze de Snelheidstrainer (ROM) alleen op die ene perfecte gemengde simulatie.
  • Vergelijking: Je laat eerst alle experts samenwerken om één perfecte samenvatting te schrijven, en daarna leer je de student alleen die samenvatting.
• Methode B (MR): Je maakt eerst een Snelheidstrainer voor elke individuele expert. Daarna laat je de AI de uitkomsten van deze vier snelheidstrainers mixen.
  • Vergelijking: Je laat elke student een samenvatting maken, en daarna laat je een leraar de vier samenvattingen samenvoegen tot één antwoord.

Het resultaat: Methode A bleek het meest efficiënt. Het was net zo nauwkeurig als Methode B, maar veel sneller om op te zetten.

Waarom is dit geweldig?

1. Nauwkeurigheid: De nieuwe methode is veel nauwkeuriger dan welke enkele expert (RANS-model) ook. Het pakt de sterke punten van iedereen en de zwakke punten weg.
2. Snelheid: Het is een miljoen keer sneller dan de traditionele, dure methoden.
   • Vergelijking: Een dure simulatie duurt als het rekenen van een hele maand. De nieuwe methode doet het in een fractie van een seconde. Je kunt er bijna in "echt" op reageren.
3. Flexibiliteit: Het werkt goed op nieuwe situaties die de computer nog nooit heeft gezien, dankzij de slimme AI die de wegingen (wie is waar de beste?) continu aanpast.

Conclusie

Kortom, deze onderzoekers hebben een manier gevonden om de "slimme mix" van verschillende simulaties te maken, en die mix vervolgens in te korten tot een supersnelle voorspeller. Het is alsof je een team van wereldkampioenen hebt, die samenwerken om een antwoord te geven, en dat antwoord vervolgens op een kaartje zetten dat je in een seconde kunt lezen. Dit maakt het mogelijk om complexe technische problemen (zoals het ontwerpen van efficiëntere vliegtuigen of auto's) veel sneller en beter op te lossen.

Technische samenvatting

Probleemstelling

De simulatie van turbulente stromingen is een van de meest uitdagende taken in de computationele fluïdynamica (CFD). Hoewel Directe Numerieke Simulatie (DNS) en Large Eddy Simulation (LES) hoge nauwkeurigheid bieden, zijn ze computationally te duur voor de meeste industriële toepassingen en multi-query scenario's. Daarentegen zijn Reynolds-Averaged Navier-Stokes (RANS) modellen efficiënt en robuust, maar lijden ze onder bekende beperkingen in voorspellende nauwkeurigheid, vooral bij complexe stromingen met afscheiding, sterke drukgradiënten of geometrisch geïnduceerde effecten. Geen enkel RANS-turbulentiemodel presteert optimaal in alle stromingsregimes of zelfs in alle gebieden van hetzelfde domein.

Bestaande strategieën voor modelaggregatie (het combineren van meerdere modellen) kunnen de nauwkeurigheid verbeteren, maar vereisen vaak het herhaaldelijk uitvoeren van dure RANS-simulaties, wat de efficiëntie tenietdoet in real-time of multi-query contexten. Er is dus behoefte aan een methode die zowel de nauwkeurigheid van modelaggregatie combineert met de extreme snelheid van surrogate-modellen.

Methodologie

De auteurs stellen een unificerend raamwerk voor dat drie kerncomponenten integreert:

1. RANS-turbulentiemodellering: Gebruik van vier veelgebruikte turbulentie-sluitingsmodellen (Spalart-Allmaras, $k-\varepsilon$, $k-\omega$, en $k-\omega$ SST).
2. Niet-intrusieve Reduced Order Models (ROMs): Gebruik van data-gedreven methoden om de hoge dimensie van RANS-oplossingen te reduceren. Specifiek worden Autoencoders (AEs) gebruikt voor niet-lineaire dimensiereductie (encoderen naar een latente ruimte en decoderen terug) en Radial Basis Function (RBF) interpolatie voor het leren van de mapping tussen parameters en de latente variabelen.
3. Ruimte-afhankelijke Aggregatie: Het combineren van de voorspellingen van meerdere modellen via gewogen sommen, waarbij de gewichten variëren over het ruimtelijke domein afhankelijk van lokale stromingseigenschappen.

De auteurs introduceren twee verschillende aggregatie-pijplijnen:

• Mixed FOM–ROM (MFR): Eerst worden de volledige RANS-oplossingen (Full Order Models) van de verschillende turbulentiemodellen ruimtelijk geaggregeerd tot één set van "aggregated high-fidelity" data. Vervolgens wordt één ROM getraind op deze geaggregeerde dataset.
• Mixed-ROM (MR): Eerst wordt een apart ROM getraind voor elk van de vier RANS-modellen. Vervolgens worden deze vier ROMs direct op het gereduceerde niveau geaggregeerd via een ruimtelijk variërend wegingsschema.

Wegingstrategieën:
Om de bijdrage van elk model te bepalen, worden twee methoden voor het berekenen van de aggregatiegewichten ($\omega_i$) vergeleken:

1. KNN-gebaseerd (K-Nearest Neighbors): Een klassieke aanpak waarbij gewichten worden voorspeld op basis van de dichtstbijzijnde trainingsconfiguraties, gebaseerd op een Exponentially Weighted Average (EWA) met een Gaussische kostfunctie.
2. ANN-gebaseerd (Artificial Neural Network): Een nieuwe aanpak waarbij een feed-forward neurale netwerk direct de ruimtelijk continue en genormaliseerde gewichten voorspelt op basis van ruimtelijke coördinaten en fysische parameters. Dit elimineert de noodzaak voor hyperparameter-tuning (zoals de $\varsigma$-parameter in EWA) en zorgt voor een soepelere generalisatie.

Belangrijkste Bijdragen

1. Unificerend Raamwerk: De eerste integratie van ruimte-afhankelijke modelaggregatie met niet-intrusieve ROMs voor turbulente stromingen, wat zowel nauwkeurigheid als efficiëntie maximaliseert.
2. Vergelijking van Pijplijnen: Een systematische vergelijking van de MFR- en MR-pijplijnen. De studie concludeert dat MFR (één ROM op geaggregeerde data) de beste balans biedt tussen offline trainingskosten en online nauwkeurigheid, terwijl MR (meerdere ROMs) meer rekentijd kost zonder significante nauwkeurigheidswinst.
3. ANN-gebaseerde Weging: De introductie van een neurale netwerk-gebaseerde methode voor het genereren van ruimtelijke gewichten. Deze methode overtreft de traditionele KNN-methode in generalisatievermogen en nauwkeurigheid voor onbekende configuraties, en levert continue gewichtsvelden op zonder de beperkingen van kernel-methoden.
4. Validatie op Benchmark Cases: Toepassing en validatie op twee complexe, geparametriseerde testcases:
   • Periodieke heuvels (periodic hills) met variërende geometrie.
   • Stroming over een geparametriseerde bult (bump) met variërende afscheidingsgedrag.

Resultaten

De methodologie is getest op de twee genoemde benchmarks met DNS-data als referentie:

• Nauwkeurigheid: De geaggregeerde surrogate-modellen presteerden significant beter dan individuele RANS-modellen en individuele ROMs. De MFR-ANN-aanpak (aggregatie gevolgd door één ROM met ANN-weging) leverde de beste resultaten op, met een nauwkeurigheid die zelfs de beste individuele RANS-closure (vaak $k-\omega$) overtrof of benaderde.
• Generalisatie: De ANN-gebaseerde gewichten toonden een betere generalisatie naar onbekende geometrische configuraties en stromingsregimes vergeleken met de KNN-methode. De ANN-methode kon complexe ruimtelijke patronen van modelnauwkeurigheid beter leren.
• Berekeningskosten:
  • Offline: De trainingskosten voor de ROMs (inclusief het trainen van de Autoencoders) zijn verwaarloosbaar klein in vergelijking met het genereren van de initiële RANS-dataset.
  • Online: De surrogate-modellen bieden een snelheidswinst van ongeveer $10^5$ tot $10^6$ keer ten opzichte van standaard RANS-simulaties. De online voorspellingstijd ligt in de orde van microseconden ($4 \times 10^{-4}$ s voor MFR), wat "near real-time" applicaties mogelijk maakt.
• Ruimtelijke Gewichten: De analyse van de gewichtsverdelingen toonde aan dat het systeem correct identificeert welk model in welk gebied het beste presteert (bijv. $k-\omega$ in afscheidingszones, $k-\varepsilon$ vaak minder effectief). De ANN-methode neigt echter om in grote gebieden één "beste" model te selecteren, terwijl KNN meer variatie toont.

Betekenis en Conclusie

Dit werk demonstreert dat de combinatie van ruimte-afhankelijke modelaggregatie en niet-lineaire, niet-intrusieve Reduced Order Modeling een krachtige route is voor het creëren van nauwkeurige en extreem snelle surrogate-modellen voor turbulente stromingen.

De belangrijkste implicaties zijn:

• Het overwinnen van het compromis tussen nauwkeurigheid en rekentijd in CFD.
• Het bieden van een robuust kader dat de sterktes van meerdere turbulentiemodellen benut zonder de kosten van het uitvoeren van alle simulaties tijdens de voorspellingsfase.
• Het aantonen dat machine learning (ANN) voor het bepalen van modelgewichten superieur is aan traditionele statistische regressiemethoden in dit specifieke domein.

De auteurs suggereren dat dit raamwerk schaalbaar is naar 3D-configuraties en hogere Reynolds-getallen, en potentieel kan worden uitgebreid tot multi-fidelity omgevingen die DNS/LES-data combineren met grote RANS-datasets.