NeuralFVM: Neural-physics-based Finite Volume Method for Turbulent Flows Using the $k$-$\omega$ Model

In dit werk wordt NeuralFVM gepresenteerd, een op GPU-geoptimaliseerde neurale-fysica-oplosser voor turbulente stromingen die het standaard $k$-$\omega$-model implementeert via convolutie-operatoren en operator-splitting, waardoor nauwkeurige resultaten worden behaald die overeenkomen met ANSYS Fluent en een snelheidswinst van 19 tot 46 keer wordt bereikt ten opzichte van CPU-uitvoering.

De kern

Stel je voor dat je een enorme, complexe stad hebt, vol met luchtstromen, warmte en wind die door straten en gebouwen waait. Als ingenieur wil je precies weten hoe die lucht zich gedraagt, hoe warm het wordt in een kamer, of hoe wind om een gebouw stroomt. Dit noemen we Computational Fluid Dynamics (CFD).

Vroeger was dit als het proberen te voorspellen van het weer met een pen en papier: het duurde eeuwen en kostte ontzettend veel rekenkracht.

Deze paper introduceert een nieuwe, revolutionaire manier om dit te doen, genaamd NeuralFVM. Hier is een uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. De Oude Manier vs. De Nieuze Manier

Stel je voor dat je een gigantisch legbord hebt met miljoenen stukjes.

• De oude manier (CPU): Dit is alsof één super-snel persoon (de computer) elk stukje legbord één voor één moet bekijken, berekenen en neerleggen. Het is nauwkeurig, maar het duurt lang.
• De nieuwe manier (GPU): Stel je nu voor dat je in plaats van één persoon, een heel leger van duizenden kleine robotjes hebt (de Graphics Processing Unit of GPU). Deze robotjes werken allemaal tegelijkertijd. Ze kijken niet naar het hele legbord, maar alleen naar hun eigen stukje en de stukjes direct ernaast.

NeuralFVM is de "super-robot" die dit leger aanstuurt. Het gebruikt de kracht van moderne videokaarten (zoals in gaming-computers) om luchtstromen duizenden keren sneller te berekenen dan de oude methoden.

2. Het "Neuraal" Deel: Een Spel met Stempels

Normaal gesproken gebruiken computers zware wiskundige formules die heel complex zijn om op te lossen. De auteurs van dit paper hebben iets slims bedacht.

Ze hebben de wiskunde omgezet in convoluties.

• De Analogie: Denk aan een stempel met een patroon erop. In plaats van de hele wereld te bekijken, duw je deze stempel over je legbord. Waar de stempel komt, kijkt hij naar de 3 of 4 vakjes eromheen en doet hij een simpele berekening.
• Omdat dit precies hetzelfde is als hoe Neurale Netwerken (de technologie achter AI) werken, kan de computer deze berekeningen razendsnel doen. Het is alsof je de wetten van de natuur (hoe lucht stroomt) vertaalt naar de taal van AI.

3. Het Grote Probleem: De "Stijve" Turbulentie

Lucht is vaak niet rustig; het is turbulent (wervelend). Dit wordt beschreven met een model genaamd k-ω.

• Het Probleem: In dit model zitten termen die "stijf" zijn. In de wiskunde betekent dit dat als je een klein foutje maakt, het hele resultaat in duizenden kan ontploffen (instabiel worden).
• De Oplossing: De auteurs hebben een slimme truc gebruikt, genaamd operator-splitting.
  • Stel je voor dat je een zware koffer moet dragen. Als je hem in één keer probeert te tillen, breekt je rug (de computer crasht).
  • De nieuwe methode splitst de koffer op in twee delen: een zwaar, stijf deel en een licht, makkelijk deel.
  • Het zware deel wordt "half-impliciet" behandeld (alsof je een stevige steun gebruikt), zodat het niet instort. Het lichte deel wordt gewoon snel verplaatst.
  • Door dit te doen, blijft de simulatie stabiel, zelfs als de lucht heel wild waait, zonder dat de computer in de war raakt.

4. De Druk en de Snelheid: Een Multigrid-Oplossing

In een stroming moet de luchtdruk en de snelheid perfect op elkaar afgestemd zijn. Als je de druk verkeerd berekent, vliegt de lucht door de muren heen.

• De Oplossing: Ze gebruiken een Multigrid-methode.
• De Analogie: Stel je voor dat je een grote, rommelige kamer moet opruimen.
  1. Je kijkt eerst naar de kamer van heel ver weg (een laag niveau) om te zien waar de grote rommel zit.
  2. Dan zoom je in op een iets groter niveau om de details te zien.
  3. Dan zoom je nog verder in om de kleine stofjes op te ruimen.
  4. Dan zoom je weer terug naar het grote plaatje om te zien of het klopt.
  • Dit "zoomen" gaat veel sneller dan het proberen om elke stofjes één voor één op te ruimen. De auteurs hebben dit proces zo gebouwd dat het lijkt op een U-Net (een bekend AI-architectuur voor beeldherkenning), waardoor het extreem snel werkt op de GPU.

5. Wat hebben ze bewezen?

Ze hebben hun nieuwe robot (NeuralFVM) getest tegen de "gouden standaard" in de industrie, een dure software genaamd ANSYS Fluent.

• Resultaat: Hun robot deed precies hetzelfde als de dure software (dezelfde wind, temperatuur en turbulentie), maar was 19 tot 46 keer sneller.
• Ze hebben het getest op verschillende situaties: luchtstromen in een kanaal, lucht die om blokken stroomt, en zelfs de luchtstroom in een kantoorruimte (een bekende testcase genaamd Annex 20).

Waarom is dit belangrijk?

1. Snelheid: Wat vroeger een dag duurde, duurt nu een uur.
2. Toekomst: Omdat dit systeem is gebouwd met AI-technologie, kunnen we het in de toekomst koppelen aan machine learning. Stel je voor dat je de vorm van een auto of een gebouw laat "leren" door de computer, zodat hij automatisch de meest efficiënte vorm vindt die de minste luchtweerstand heeft.
3. Toegankelijkheid: Het werkt zowel op gewone computers als op de krachtigste supercomputers.

Kortom: Ze hebben de zware, saaie wiskunde van luchtstromen vertaald naar de snelle, slimme taal van AI, waardoor we de wereld van luchtstromen veel sneller en slimmer kunnen begrijpen.

Technische samenvatting

Probleemstelling

Computational Fluid Dynamics (CFD) is essentieel voor het analyseren van stroming en warmteoverdracht, maar simulaties van turbulente stromingen zijn vaak tijdrovend en computatie-intensief. Hoewel hardware-versnelling via Graphics Processing Units (GPUs) de snelheid heeft verbeterd, blijven traditionele CFD-oplossers beperkt in hun integratie met moderne Machine Learning (ML) methoden. Een specifiek probleem bij het implementeren van turbulente modellen (zoals RANS) in differentieerbare frameworks is de behandeling van stijve vernietigingstermen (stiff destruction terms) in de transportvergelijkingen voor turbulente kinetische energie ($k$) en specifieke dissipatiesnelheid ($\omega$). Traditionele impliciete methoden vereisen globale matrixinversies, wat in strijd is met de lokale tensoroperaties die nodig zijn voor efficiënte GPU-parallelisatie en differentieerbare programmering.

Methodologie: NeuralFVM

De auteurs hebben NeuralFVM ontwikkeld, een neural-physics solver gebaseerd op de Finite Volume Method (FVM) die specifiek is ontworpen voor GPU-architecturen en het standaard $k-\omega$ turbulentiemodel implementeert.

Kerncomponenten van de methode:

1. Lokale Tensoroperaties: De besturingsvergelijkingen voor stroming en warmteoverdracht worden herschreven als lokale tensoroperaties met behulp van convolutie-achtige stencil-operatoren. Dit maakt de solver compatibel met deep learning-bibliotheken (zoals PyTorch) terwijl de behoudseigenschappen van de FVM worden behouden. In plaats van zware convoluties worden efficiënte verschuivingsoperaties (shift operations) en tensor-slicing gebruikt om numerieke resultaten te behalen.
2. Operator-Splitting voor Stijfheid: Om het probleem van de stijve vernietigingstermen in de $k$ en $\omega$ vergelijkingen op te lossen zonder globale matrices, wordt een operator-splitting strategie toegepast:
   • De stijve vernietigingstermen worden semi-impliciet behandeld (via een semi-impliciete Euler-methode), wat onvoorwaardelijke stabiliteit garandeert en negatieve waarden voorkomt.
   • De resterende termen (convectie, diffusie, generatie) worden expliciet geavanceerd.
   • Dit elimineert de noodzaak voor matrixinversie en houdt alle operaties lokaal.
3. Druk-Versnelling Koppeling: De koppeling tussen druk en snelheid wordt opgelost met een geometrische multigrid (GMG) algoritme dat is herschreven als een convolutie-gebaseerd netwerk (analoog aan de U-Net architectuur). De convolutiekernen voor gladmaking en overdracht tussen roosters zijn analytisch afgeleid en niet geleerd uit data.
4. Differentieerbaarheid: De hele solver is volledig differentieerbaar, wat automatisch het berekenen van gradiënten van stromingsvariabelen ten opzichte van modelparameters of randvoorwaarden mogelijk maakt.

Belangrijkste Bijdragen

• GPU-Native RANS Solver: Ontwikkeling van een RANS-oplosser specifiek geoptimaliseerd voor GPU-uitvoering, wat aanzienlijke snelheidswinst biedt ten opzichte van CPU-gebaseerde CFD-solvers.
• Matrixvrije Implementatie: De turbulentie-sluiting wordt volledig uitgevoerd via lokale tensoroperaties, wat globale matrixassemblage elimineert en volledige GPU-parallelisatie mogelijk maakt.
• Integratie met ML: De framework biedt een volledig differentieerbare, GPU-native omgeving die naadloos integreert met moderne ML-workflows, ideaal voor data-gedreven modellering en optimalisatie.
• Flexibiliteit: De code kan met minimale wijzigingen worden uitgevoerd op zowel CPU- als GPU-platforms.

Resultaten en Validatie

De NeuralFVM-oplosser is gevalideerd tegen simulaties uitgevoerd met de commerciële CFD-software ANSYS Fluent en experimentele data voor diverse scenario's:

• Toepassingen: Kanalen met en zonder blokken, meerdere uitgelijnde blokken, gestaggerde blokken, een array van blokken, en de Annex 20 benchmark voor binnenluchtstroming.
• Nauwkeurigheid: De resultaten tonen een uitstekende overeenkomst in snelheid, temperatuur en turbulentiekwantiteiten ($k$ en $\omega$) met ANSYS Fluent, zelfs bij steile gradiënten nabij wanden.
• Snelheidswinst: De GPU-implementatie bereikte een snelheidswinst van 19 tot 46 keer ten opzichte van de CPU-versie, afhankelijk van het rooster.
• Efficiëntie van Shift vs. Convolutie: Het gebruik van verschuivingsoperaties in plaats van volledige convoluties halveerde de simulatietijd.

Betekenis en Toekomstperspectief

NeuralFVM vertegenwoordigt een significante stap in de evolutie van CFD naar neural-physics. Door de barrière tussen traditionele numerieke methoden en deep learning te doorbreken, biedt het een krachtig platform voor:

• Gradient-based ontwerpoptimalisatie: Dankzij de volledige differentieerbaarheid.
• Data-gedreven turbulentiemodellering: Het faciliteren van hybride modellen die fysica en data combineren.
• Efficiënte grote schaal simulaties: Door de enorme versnelling op GPU's.

Hoewel de huidige studie beperkt is tot uniforme gestructureerde roosters, legt deze werk de basis voor toekomstige uitbreidingen naar complexere geometrieën, hogere Reynolds-getallen en industriële toepassingen, evenals de integratie van geavanceerde turbulentiemodellen en leer-based sluitingsstrategieën.