Deep learning accelerated solutions of incompressible Navier-Stokes equations on non-uniform Cartesian grids

Deze studie introduceert een verbeterde HyDEA-methode die het Mesh-Conv-operator en een decoupled immersed boundary projectie gebruikt om de druk-Poissonvergelijking voor incompressibele stromingen op niet-uniforme Cartesische roosters efficiënt op te lossen, waardoor de convergentie aanzienlijk verbetert en de generalisatie naar complexe geometrieën mogelijk wordt zonder hertraining.

De kern

Stromen sneller begrijpen: Hoe AI de 'rekenkracht' van waterstroomsimulaties versnelt

Stel je voor dat je een enorme, complexe badkamer hebt vol met water dat door een doolhof van buizen en obstakels stroomt. Je wilt precies weten hoe het water beweegt, waar het stagneert en hoe het tegen de muren slaat. Dit is wat ingenieurs doen met Computational Fluid Dynamics (CFD): ze simuleren hoe vloeistoffen (zoals lucht of water) zich gedragen.

Het probleem? Het is extreem rekenintensief. Het is alsof je probeert elke druppel water in dat doolhof handmatig te berekenen, stap voor stap. Vooral het berekenen van de druk in het water is de "bottleneck" (de knelpunt). Het is als proberen een gigantisch raadsel op te lossen waarbij je duizenden pogingen nodig hebt om het juiste antwoord te vinden.

Het oude probleem: De "Uniforme Raster"

Vroeger deden computers dit door het water in een perfect, gelijkmatig raster (een rooster van vierkantjes) te verdelen. Dit werkt goed voor simpele vormen, maar in de echte wereld zijn dingen niet perfect. Als je een schip of een vliegtuig simuleert, heb je rondom het object heel kleine, fijne vierkantjes nodig om de details te zien, maar verderop in de oceaan kun je grotere vierkantjes gebruiken om tijd te besparen.

Dit heet een niet-uniform rooster. Het probleem is dat de oude AI-methoden (die weergegeven werden in een eerder project genaamd HyDEA) alleen maar konden werken met die perfecte, gelijkmatige vierkantjes. Als je ze probeerde te gebruiken op een ongelijk rooster, was het alsof je probeert een foto te vergroten met een pixel die niet past: het beeld wordt wazig en onnauwkeurig.

De nieuwe oplossing: De "Slimme Meetlat" (MConv)

De onderzoekers van dit paper hebben een oplossing bedacht die ze MConv noemen.

Stel je voor dat de oude AI een schilder was die alleen kon schilderen op een canvas met vierkante tegels van exact dezelfde grootte. Als je hem een canvas gaf met tegels van verschillende maten, wist hij niet hoe hij moest schilderen.

De nieuwe MConv is als een slimme schilder die een magische meetlat bij zich heeft. Deze meetlat ziet niet alleen de vorm van het schilderij, maar meet ook precies hoe groot elke tegel is en hoe ver ze van elkaar staan.

• De Analogie: In plaats van te zeggen "neem de pixel links en rechts", zegt de nieuwe AI: "Neem de pixel links, maar omdat die tegel kleiner is, pas ik mijn berekening aan."
• Door deze informatie over de afstanden direct in de berekening te stoppen, kan de AI nu werken op die complexe, ongelijkmatige roosters zonder dat de kwaliteit verslechtert.

De Hybride Kracht: De Snelheid van een Sportwagen + De Stabiliteit van een Tank

Deze nieuwe methode heet HyDEA. Het is een "hybride" systeem, wat betekent dat het twee krachtige methoden combineert:

1. De AI (De Sportwagen): De AI is heel goed in het snel oplossen van grote, grove fouten. Het kan in één klap een groot deel van het probleem oplossen, net als een sportwagen die razendsnel accelereert. Maar soms mist hij de details.
2. De Klassieke Methode (De Tank): De traditionele wiskundige methoden zijn wat trager, maar ze zijn extreem stabiel en nauwkeurig. Ze halen de laatste kleine foutjes weg, net als een tank die langzaam maar zeker zijn weg baant.

Hoe werkt het samen?
Stel je voor dat je een berg moet beklimmen.

• De AI rent eerst een stukje omhoog en haalt je snel naar een hoger punt (verwijdert de grote fouten).
• Dan neemt de Klassieke Methode het over om de laatste, steile helling zorgvuldig en veilig te beklimmen (verwijdert de kleine fouten).
• Ze wisselen elkaar af totdat je boven bent.

Dit resulteert in een oplossing die veel sneller is dan alleen de klassieke methode, maar nauwkeuriger dan alleen de AI.

Waarom is dit zo belangrijk?

1. Snelheid: De simulaties gaan tot wel 8 keer sneller. Wat voorheen uren duurde, duurt nu minuten.
2. Flexibiliteit: De AI is getraind op "willekeurige" patronen, niet op specifieke stromingen. Dit betekent dat je dezelfde AI kunt gebruiken voor een schip, een vliegtuigvleugel of een bewegende cilinder, zonder de computer opnieuw te hoeven trainen. Het is alsof je een universele sleutel hebt die bij elke deur past, in plaats van een sleutel voor elke deur.
3. Toekomst: Dit opent de deur voor realistische simulaties van complexe situaties, zoals hoe water om een schip stroomt met golven, of hoe lucht over een vliegtuigvleugel gaat tijdens een storm, allemaal op computers die we vandaag de dag al hebben.

Kortom: De onderzoekers hebben een manier gevonden om AI en traditionele wiskunde te laten samenwerken, waarbij de AI "leert" om rekening te houden met onregelmatige maten. Hierdoor kunnen we complexe stromingen veel sneller en nauwkeuriger simuleren, wat essentieel is voor het ontwerpen van efficiëntere schepen, vliegtuigen en energieoplossingen.

Technische samenvatting

Titel: Deep learning versnelde oplossingen voor de oncompressibele Navier-Stokes-vergelijkingen op niet-uniforme Cartesische roosters

1. Het Probleem

In de numerieke stromingsmechanica (CFD) vormt de oplossing van de Poisson-vergelijking voor druk (PPE) de belangrijkste rekenkundige bottleneck bij het simuleren van oncompressibele stromingen met behulp van fractionele-stap methoden. Het oplossen van deze vergelijking vereist de iteratieve oplossing van grote lineaire systemen, wat extreem rekenintensief is, vooral bij engineering-toepassingen zoals vormoptimalisatie en actieve stromingscontrole.

Hoewel eerder onderzoek (zoals de HyDEA-methode) diepe neurale netwerken (DNN) combineerde met klassieke iteratieve solvers om de convergentie te versnellen, was deze methode beperkt tot uniforme Cartesische roosters. In complexe toepassingen, zoals stroming-structuurinteractie (FSI), is lokale roosterverfijning rond vaste grenzen (bijv. vliegtuigvleugels of cilinders) echter essentieel om fijne stromingsdetails op te lossen. Het uitbreiden van bestaande CNN-gebaseerde methoden naar niet-uniforme roosters is fundamenteel moeilijk omdat standaard convolutie-operatoren aannemen dat data op een uniform rooster ligt, wat leidt tot vervorming van kritieke stromingskenmerken bij interpolatie of het gebruik van grafische netwerken (GNN) die vaak te zwaar zijn voor grote schaal simulaties.

2. Methodologie

De auteurs presenteren een verbeterde versie van HyDEA (Hybrid Deep lEarning line-search directions and iterative methods for Accelerated solutions) die specifiek is ontworpen voor niet-uniforme Cartesische roosters. De kern van de methodologie omvat:

• Hybride Framework: De methode combineert een Deep Learning Line-Search Method (DLSM) met klassieke iteratieve methoden (zoals het Conjugate Gradient-algoritme, CG). De DLSM gebruikt een diep neurale net om de laagfrequente fouten in het iteratieproces snel te elimineren, terwijl de CG-methode de overige hoogfrequente fouten afvlakt.
• Mesh-Conv (MConv) Operator: Om het probleem van niet-uniforme roosters op te lossen, vervangen de auteurs een subset van de standaard convolutie-operatoren in het U-Net-architectuur van de DeepONet (Deep Operator Network) door de Mesh-Conv (MConv) operator.
  • In tegenstelling tot standaard convoluties, integreert MConv expliciet roosterruimte-informatie (grid spacing) in de convolutie-operatie.
  • Een lokale weegfactor wordt berekend op basis van de Euclidische afstanden tussen een doelknooppunt en zijn directe buren.
• Multi-level Distance Vector Map Strategie: Omdat het U-Net-architectuur verschillende niveaus heeft met verschillende resoluties (door downsampling en upsampling), ontwikkelden de auteurs een strategie om voor elk niveau een specifieke "distance vector map" te construeren. Dit zorgt ervoor dat de MConv-operator de juiste roosterruimte-informatie krijgt voor elk niveau van het netwerk.
• Training en Generalisatie: Het model wordt getraind op synthetische lineaire systemen (afgeleid van de coëfficiëntenmatrix van de PPE) in plaats van op specifieke stromingsdata. Dit zorgt ervoor dat het model generaliseert naar verschillende geometrieën van obstakels zonder dat het netwerk opnieuw getraind hoeft te worden.
• Stromingsoplosser: De simulaties gebruiken een ontkoppelde ingebedde grensmethode (Decoupled Immersed Boundary Projection Method - DIBPM) om stromingen rondom complexe en bewegende objecten te modelleren.

3. Belangrijkste Bijdragen

1. Overbrugging van Uniforme naar Niet-Uniforme Roosters: De eerste toepassing van een hybride deep learning-iteratieve solver voor de PPE op niet-uniforme Cartesische roosters, zonder de noodzaak van interpolatie naar uniforme roosters.
2. Innovatieve Netwerkarchitectuur: De implementatie van de MConv-operator binnen een DeepONet-architectuur, aangevuld met een nieuwe strategie voor het genereren van afstandvectorkaarten over meerdere niveaus.
3. Robuuste Generalisatie: Het bewijs dat een model, getraind op willekeurige lineaire systemen, succesvol kan worden toegepast op diverse stromingsproblemen met verschillende obstakelgeometrieën (cirkels, ellipsen, DARPA SUBOFF profielen, bewegende cilinders) met vaste netwerkgewichten.
4. Efficiëntie: Een aanzienlijke reductie in het aantal iteraties en de rekentijd vergeleken met traditionele solvers.

4. Resultaten

De methode werd getest op drie benchmark-cases met variërende roosterverhoudingen ($\Delta_{max}/\Delta_{min}$ tot 41):

• Case 1: 2D kooistroming met een stationaire cilinder ($\Delta_{max}/\Delta_{min} \approx 2.3$).
• Case 2: 2D stroming rondom verschillende obstakels (cirkel, ellips, DARPA SUBOFF, oscillerende cilinder) met sterke roosterverfijning ($\Delta_{max}/\Delta_{min} \approx 41$).
• Case 3: 2D flappende elliptische vleugel ($\Delta_{max}/\Delta_{min} \approx 28$).

Kernresultaten:

• Convergentie: De MConv-gebaseerde HyDEA reduceerde het aantal iteraties voor de PPE-oplossing met een factor van 5 tot 10 ten opzichte van standalone CG-methoden (zoals ICPCG of MGPCG).
• Versnelling: De wandtijd-versnelling (wall-time acceleration) varieerde van 1.2x tot 8.3x, afhankelijk van de complexiteit van het probleem en de gebruikte preconditioner.
• Superioriteit t.o.v. Standaard CNN: Op roosters met grote variaties in roosterruimte presteerde de MConv-versie aanzienlijk beter dan de standaard CNN-versie van HyDEA, die faalde om de iteraties te reduceren in deze scenario's.
• Nauwkeurigheid: De berekende stromingsvelden (snelheid, wervelingsdichtheid) en globale coëfficiënten (drag/lift) kwamen uitstekend overeen met literatuurwaarden en referentieoplossingen.

5. Betekenis en Toekomstperspectief

Deze studie markeert een belangrijke stap in de integratie van deep learning in traditionele CFD-solvers. Het bewijst dat het mogelijk is om de rekenkracht van neurale netwerken te benutten voor het versnellen van de meest kostbare stap in oncompressibele stromingssimulaties, zelfs in complexe geometrieën die niet-uniforme roosters vereisen.

Beperkingen en Toekomst:

• De huidige implementatie is beperkt tot 2D simulaties vanwege de hoge GPU-geheugenvereisten en rekenkosten van de MConv-operator.
• Het model vereist momenteel nog een nieuwe training bij wijziging van het roosterpatroon (hoewel het wel generaliseert over geometrieën).
• Toekomstig werk richt zich op het uitbreiden naar 3D simulaties, het optimaliseren van de code-efficiëntie en het verbeteren van de generalisatie over willekeurige rooster-topologieën (bijv. via Graph Neural Networks of Transformers), hoewel dit extra rekenkosten met zich meebrengt.

Kortom, de MConv-based HyDEA biedt een robuust en veelbelovend kader voor het versnellen van real-world CFD-toepassingen waarbij nauwkeurigheid en rekenefficiëntie in balans moeten worden gebracht.