Physics-Constrained Neural Closure for Lattice Boltzmann Large-Eddy Simulation

Deze studie presenteert een door data gedreven, fysisch beperkte neurale sluiting voor Large-Eddy Simulation in de rooster-Boltzmann-methode die, getraind op DNS-gegevens van isotrope turbulentie, de subgrid-schaalspanningen nauwkeuriger voorspelt dan traditionele modellen en zowel backscatter als anisotrope effecten behoudt bij een hoge doorvoersnelheid.

De kern

De "Slimme Assistent" voor Turbulente Stromingen

Stel je voor dat je een enorme, chaotische rivier wilt simuleren op een computer. De waterstroom zit vol met wervelingen: sommige zijn gigantisch, andere zijn zo klein dat ze net zo groot zijn als een zandkorrel.

Het probleem:
Als je een computermodel maakt om deze rivier na te bootsen, heb je niet genoeg rekenkracht om elke zandkorrel (elk klein werveltje) apart te berekenen. Dat zou de computer laten bevriezen. Daarom gebruiken wetenschappers een truc: ze kijken alleen naar de grote stromingen en laten de kleine wervelingen weg. Maar hier zit een addertje onder het gras: die kleine wervelingen hebben wel degelijk invloed op de grote stromingen. Ze nemen energie mee of geven energie terug. Als je ze negeert, wordt je simulatie onnauwkeurig.

In de wereld van de natuurkunde noemen we deze kleine, onzichtbare wervelingen de "Subgrid-Scale" (SGS).

De oude oplossing (De "Stijve Regel"):
Vroeger gebruikten wetenschappers simpele formules (zoals het Smagorinsky-model) om deze kleine wervelingen te schatten.

• De analogie: Het is alsof je een zware deken over de rivier legt. De deken zorgt ervoor dat het water rustiger stroomt (het dissipeert energie), maar hij is heel stijf. Hij kan alleen maar energie wegnemen, nooit teruggeven. In de echte natuur gebeurt dit wel: soms geven kleine wervelingen energie terug aan de grote stroming (dit noemen we backscatter). De oude deken kan dat niet.

De nieuwe oplossing (De "AI-Assistent"):
Dit artikel introduceert een nieuwe, slimme manier om die kleine wervelingen te simuleren, speciaal voor een rekenmethode die Lattice Boltzmann heet (een manier om vloeistoffen te simuleren die erg populair is in de natuurkunde).

Ze hebben een Kunstmatige Intelligentie (AI) getraind die als een slimme assistent werkt. Hier is hoe het werkt, stap voor stap:

1. De Opleiding (Leren van de Meester)

De AI is niet zomaar bedacht; hij is getraind op data van een super-accurate simulatie (waarbij alle wervelingen, zelfs de zandkorrels, wel berekend werden).

• De input: De AI kijkt naar de grote stroming en meet twee dingen: hoe snel het water rekt (rek-snelheid) en hoe snel het draait (werveling).
• De taak: Op basis daarvan moet de AI voorspellen hoe de kleine, onzichtbare wervelingen zich gedragen.

2. De Slimme "Split" (Het Twee-in-één Systeem)

Dit is het meest creatieve deel van de nieuwe methode. De AI voorspelt niet zomaar één getal. Hij splitst zijn voorspelling in twee delen, net als een chef-kok die een gerecht in twee smaken serveert:

• Deel A: De "Rem" (Dissipatie)
  Een deel van de voorspelling gaat over energie die verloren gaat (warmte). Dit wordt verwerkt als een extra "dikte" of viscositeit van het water.

  • Analogie: Het is alsof je een beetje honing in het water doet. Het stroomt iets trager en verliest energie. Dit past perfect bij de oude rekenmethodes.

• Deel B: De "Duw" (Anisotrope Kracht)
  Het andere deel is het lastige gedeelte: de energie die terugkomt of de specifieke richting van de wervelingen. De oude "deken" kon dit niet. De AI lost dit op door een kracht toe te voegen aan de simulatie.

  • Analogie: In plaats van alleen te remmen, geeft de AI de stroming hier en daar een kleine duw of duwtje in een specifieke richting. Dit zorgt voor die "backscatter" (energie teruggeven) en maakt de simulatie veel realistischer.

3. De "Fysica-Regels" (Niet zomaar raden)

Om te voorkomen dat de AI gekke dingen gaat doen (zoals energie creëren uit het niets), hebben de onderzoekers de AI tijdens het trainen regels opgelegd.

• Rotatie: Als je de rivier draait, moet de AI dezelfde antwoorden geven, alleen dan gedraaid.
• Energiebalans: De AI mag niet zomaar energie uit het niets maken of laten verdwijnen.
• Symmetrie: De AI leert dat de natuur bepaalde wetten volgt, en die zijn ingebouwd in de code.

4. De Praktijk (Snel en Sterk)

Een groot probleem met AI in wetenschap is dat het vaak te traag is. Als je een simulatie doet, wil je niet dat de AI 10 minuten denkt voordat hij een antwoord geeft.

• De oplossing: De onderzoekers hebben de AI omgezet naar een formaat dat de computer razendsnel kan lezen (ONNX Runtime).
• Het resultaat: De nieuwe AI-methode is net zo snel als de oude, simpele methodes, maar levert veel betere resultaten op. Het is alsof je een Formule-1-auto hebt die net zo snel rijdt als een oude bus, maar veel wendbaarder is.

Wat hebben ze bewezen?

Ze hebben de AI getest in twee situaties:

1. Homogene Turbulentie: Een willekeurige, chaotige stroming (zoals een storm in een kom). De AI voorspelde hier perfect hoe de energie zich verplaatste, inclusief die teruggeven-energie die de oude methodes misten.
2. Kanaalstroom (Transfer Test): Ze hebben de AI, die alleen op een willekeurige stroming was getraind, direct in een kanaal met wanden gegooid (zonder opnieuw te trainen!).
   • Het resultaat: De AI deed het verrassend goed! Hij begreep de stroming langs de wanden, alsof hij de regels van de natuur intuïtief had begrepen, in plaats van alleen de data uit zijn training te onthouden.

Conclusie in één zin

De onderzoekers hebben een slimme AI-assistent gebouwd die de "onzichtbare" kleine wervelingen in een stroming niet alleen remt, maar ook de juiste duwtjes geeft, waardoor de simulatie realistischer wordt zonder dat de computer langzamer gaat werken.

Technische samenvatting

Titel: Physics-Constrained Neural Closure for Lattice Boltzmann Large-Eddy Simulation

Auteurs: Muhammad Idrees Khan, Sauro Succi, Hua-Dong Yao, Giacomo Falcucci
Publicatie: Preprint (arXiv:2603.15992v1), maart 2026

---

1. Probleemstelling

Groot-Eddy Simulatie (LES) is een cruciale methode om turbulente stromingen te modelleren bij Reynolds-getallen waar Directe Numerieke Simulatie (DNS) te rekenintensief is. De uitdaging bij LES ligt in het correct modelleren van de subgrid-schaal (SGS) spanningen, die de invloed van de niet-opgeloste schalen op de opgeloste schalen vertegenwoordigen.

• Beperkingen van klassieke modellen: Traditionele modellen, zoals de Smagorinsky-modellen (statisch en dynamisch), zijn robuust en goedkoop, maar baseren zich vaak op een eddy-viscositeit-aanname. Dit leidt tot twee grote tekortkomingen:
  1. Ze onderdrukken backscatter (energetische terugvoer van subgrid-schalen naar opgeloste schalen), omdat ze een niet-negatieve viscositeit afdwingen.
  2. Ze hebben moeite om de volledige anisotropie van de spanningstensor correct weer te geven.
• LBM-specifieke uitdaging: Hoewel Machine Learning (ML) voor SGS-modellering in continuüm Navier-Stokes-oplossers veel onderzoek heeft gekend, is de toepassing in het Lattice Boltzmann Method (LBM) raamwerk beperkt. LBM heeft een kinetische basis waarbij spanning en druk lokaal beschikbaar zijn, maar het koppelen van een expliciete, door ML voorspelde spanningstensor aan de LBM-oplosser zonder stabiliteitsproblemen is complex.

2. Methodologie

De auteurs presenteren een data-gedreven, fysisch beperkte SGS-sluiting die specifiek is ontworpen voor LBM-LES.

A. Data-Generatie en Training

• Brondata: DNS-simulaties van geforceerde homogene isotrope turbulentie (FHIT) uitgevoerd met een MRT-LBM-oplosser (Multiple Relaxation Time).
• Dataset: De data is verwerkt tot "filtered-downsampled" (FD) velden op verschillende filterbreedtes ($\Delta$) en viscositeiten.
• Input-Features: Het neurale netwerk gebruikt 9 macroscopische afgeleide features:
  • 6 componenten van de symmetrische rek-snelheidstensor ($S_{ij}$).
  • 3 componenten van de wervelingsvector ($\omega_i$).
• Normalisatie: Om de schaalafhankelijkheid van afgeleiden over verschillende filterbreedtes te elimineren, wordt een $\Delta$-normalisatie toegepast op de inputfeatures.

B. Neurale Netwerk Architectuur

• Een compact, diep neuraal netwerk met de structuur: 9 inputs $\to$ 64 hidden units $\to$ 64 hidden units $\to$ 6 outputs.
• De 6 outputs corresponderen met de onafhankelijke componenten van de SGS-spanningstensor.
• Activatiefunctie: GELU (Gaussian Error Linear Unit).
• Het model bevat ongeveer 5.190 trainbare parameters.

C. Fysisch Gelimiteerde Training (Loss Function)

De training combineert een data-verlies met drie fysische beperkingen:

1. MSE Loss: Minimale kwadratische fout tussen voorspelde en echte SGS-spanningen.
2. $\Pi$-Matching (Dissipatie): Het model moet de energie-overdracht ($\Pi = -\tau_{ij}S_{ij}$) correct voorspellen, inclusief negatieve waarden (backscatter), zonder kunstmatige niet-negativiteitsbeperkingen.
3. Rotatie-Equivariantie: Het model moet consistent blijven onder rotaties van het kubische rooster.
4. Divergentie-vrij Krachten-Verlies: Een penalty-term die ervoor zorgt dat de impliciete SGS-krachten compatibel zijn met de divergentie-gebaseerde koppelingsmethode in de solver.

D. Hybrid Koppelingsstrategie (Split Strategy)

Om de voorspelde spanning stabiel in de LBM-oplosser te integreren, wordt deze opgesplitst in twee delen:

1. Dissipatief deel: De component die uitgelijnd is met de rek-snelheid wordt vertaald naar een effectieve viscositeit ($\nu_{eff}$). Dit beïnvloedt de relaxatiesnelheid in de LBM-kollijsie-operator.
2. Residu (Anisotroop) deel: Het resterende, niet-dissipatieve deel van de spanning wordt toegepast als een externe kracht via de Guo-forcing-methode.

• Voordeel: Deze split behoudt zowel backscatter (via de effectieve viscositeit, die negatief kan zijn) als niet-dissipatieve anisotrope effecten, terwijl het compatibel blijft met de LBM-kinetische vorm.

E. Implementatie en Deploy

• Het model is geëxporteerd naar ONNX Runtime en geïntegreerd in een Fortran/OpenACC LBM-code.
• Inference gebeurt op GPU's (NVIDIA A100) met batch-verwerking voor efficiëntie.

3. Belangrijkste Resultaten

A. A Priori Validatie (Voorspellingsnauwkeurigheid)

• Het model toont een hoge correlatie ($\rho \approx 0.95$) met de FD-referentie voor alle spanningcomponenten.
• De verdeling van de energie-overdracht ($\Pi$) wordt nauwkeurig gereproduceerd, inclusief de "staarten" die backscatter (negatieve $\Pi$) en intermittente voorwaartse overdracht vertegenwoordigen.
• In tegenstelling tot de Smagorinsky-baseline (die geen backscatter toestaat), voorspelt het ML-model correct de negatieve waarden van $\Pi$.

B. A Posteriori Validatie (GESIMULATIEDE STROMING)

• Energiebalans: De ML-LES simulaties behouden een energiebalans die veel dichter bij de DNS-referentie ligt dan statische of dynamische Smagorinsky-modellen.
• Backscatter: De simulaties tonen een aanzienlijk backscatter-fraction, wat essentieel is voor de juiste turbulentie-dynamiek.
• Robuustheid: Het model werkt stabiel met zowel MRT- als BGK-kollijsie-operatoren, hoewel het alleen getraind was op MRT-data.
• Ruimtelijke Structuur: De ML-closure reproduceert de filamentaire patronen van de energie-overdracht nauwkeuriger dan de dynamische Smagorinsky-baseline.

C. Transfer Learning (Zonder hertraining)

• Een voorlopige test in een turbulente kanaalstroom (wall-bounded flow) toonde aan dat het model, getraind op isotrope turbulentie, direct toepasbaar is op kanaalstroom zonder hertraining.
• De gemiddelde snelheidsprofielen, RMS-fluctuaties en Reynolds-schuifspanningen kwamen goed overeen met DNS-benchmarks (Kim et al.), wat suggereert dat het model een lokale constitutieve relatie leert die onafhankelijk is van de globale stromingsgeometrie.

D. Prestaties

• De doorvoersnelheid (throughput) van de ML-LES met ONNX-runtime is vergelijkbaar met die van een dynamische Smagorinsky-baseline (verschil van slechts ~0.6%), wat aantoont dat de ML-kostniet significant is voor de totale rekentijd.

4. Bijdragen en Significance

1. Eerste expliciete spanning-closure voor LBM: Dit werk toont aan dat een compact ML-model de volledige SGS-spanningstensor kan voorspellen en stabiel kan koppelen aan een LBM-oplosser, een gebied dat eerder onderbelicht was.
2. Hybride Koppelingsmethode: De innovatieve "split-strategie" (viscositeit voor dissipatie, kracht voor residu) lost het probleem op van het integreren van niet-dissipatieve en backscatter-effecten in de kinetische LBM-formulering.
3. Fysische Beperkingen: Door het gebruik van $\Pi$-matching en rotatie-equivariantie in de loss-functie, wordt gegarandeerd dat het model fysisch consistente resultaten levert, wat de stabiliteit van de gesloten-lus simulatie verbetert.
4. Productie-klare Implementatie: De integratie via ONNX Runtime in een bestaande Fortran/OpenACC code bewijst dat ML-sluitingen niet alleen theoretisch haalbaar zijn, maar ook efficiënt kunnen worden gedeployed in productieomgevingen met minimale overhead.
5. Generalisatie: Het succesvolle transfer naar kanaalstroom suggereert dat deze aanpak potentieel heeft voor bredere toepassingen in complexe stromingen, mits de lokale gradient-features goed worden genormaliseerd.

Conclusie:
De paper demonstreert een doorbraak in het combineren van Machine Learning en Lattice Boltzmann Method voor turbulente stromingen. Door een fysisch beperkt, data-gedreven model te koppelen via een hybride strategie, overtreft de methode klassieke eddy-viscositeit-modellen in het vastleggen van complexe turbulentie-effecten (zoals backscatter en anisotropie), terwijl het tegelijkertijd de rekenefficiëntie en stabiliteit behoudt die nodig zijn voor praktische simulaties.