Operator Learning for Surrogate Modeling of Wave-Induced Forces from Sea Surface Waves

Dit onderzoek presenteert een DeepONet-surrogaatmodel dat de complexe SWAN-numerieke golfmodel vervangt om golfgeïnduceerde krachten en stralingsstress nauwkeurig en efficiënt te voorspellen voor gekoppelde stroommodellen.

De kern

Samenvatting: Een "Snelheids-Boek" voor de Golfkracht

Stel je voor dat de oceaan een enorme, onvoorspelbare dansvloer is. De wind duwt de golven, de kustlijn (de bodem) verandert de danspas, en alles samen zorgt voor een enorme kracht die op de kust en op schepen drukt. Wetenschappers willen deze krachten precies kunnen voorspellen om overstromingen te voorkomen en schepen veilig te houden.

Maar hier zit het probleem: de wiskunde om deze golven te berekenen is zo complex dat het als het uitrekenen van elke beweging van elke zandkorrel op het strand voelt. De huidige computersimulaties (zoals het programma SWAN) zijn als een supersterke, maar trage rekenmachine. Ze zijn nauwkeurig, maar het duurt lang (bijvoorbeeld 30 seconden) om één scenario te berekenen. Als je duizenden scenario's wilt testen voor een stormvoorspelling, duurt dat te lang.

De Oplossing: Een "Snelheids-Boek" (DeepONet)

De auteurs van dit paper hebben een slimme oplossing bedacht: een Deep Operator Network (DeepONet).

Je kunt dit zien als het verschil tussen het zelf een heel boek schrijven en het gebruiken van een samenvatting die al eerder is geschreven.

• De oude manier (SWAN): Je leest het hele boek, van begin tot eind, om te weten wat er gebeurt. Dit is nauwkeurig, maar tijdrovend.
• De nieuwe manier (DeepONet): Je hebt een slimme "snelheids-Boek" (een AI) die het hele boek al heeft gelezen. Als je haar vraagt: "Wat gebeurt er als de wind uit het noorden waait en de golven 2 meter hoog zijn?", geeft ze je direct het antwoord, zonder het hele boek opnieuw te hoeven lezen.

Hoe werkt dit "Snelheids-Boek"?

Stel je voor dat je een chef-kok bent die duizenden soepen maakt.

1. De Ingrediënten (Input): De AI krijgt de "recepten" aangeleverd: hoe hard de wind waait, waar de wind vandaan komt, en hoe hoog de golven zijn aan de horizon.
2. De Keuken (De AI): In plaats van elke soep stap-voor-stap te koken (wat de trage computer doet), heeft de AI de "smaak" van duizenden soepen al in haar hoofd. Ze heeft de relatie geleerd tussen de ingrediënten en het eindresultaat.
3. Het Resultaat (Output): Ze vertelt je direct hoe de soep smaakt (hoe hoog de golven zijn en hoeveel kracht ze uitoefenen) op elk punt in de oceaan.

Wat hebben ze getest?

De onderzoekers hebben hun "snelheids-Boek" getest in drie situaties, net als een leerling die eerst in een rustig zwembad leert zwemmen en daarna in de ruwe zee:

1. Het Zwembad (1-D): Een simpele, rechte kustlijn. Hier werkte de AI perfect.
2. De Rivier (2-D): Een breder gebied met een hellende bodem. Ook hier deed de AI het uitstekend.
3. De Ruwe Zee (Duck, NC): Een echt, complex stuk kust in Noord-Carolina met een onregelmatige bodem. Dit is de echte test.

De Resultaten

• Snelheid: De AI is duizenden keren sneller dan de oude computer. Waar de oude computer 30 seconden nodig had, deed de AI het in een fractie van een seconde (ongeveer 0,04 seconden).
• Nauwkeurigheid: De AI was bijna net zo nauwkeurig als de oude computer. Ze kon precies voorspellen waar de golven hoog zouden worden en hoeveel kracht ze op de kust zouden uitoefenen.
• De "Gladde" Tekening: Er was één klein verschil. De oude computer tekende soms heel scherpe, "ruwe" lijntjes in de krachten (alsof er kleine ruis in zit). De AI tekende het iets "gladder". De onderzoekers zeggen dat deze gladheid eigenlijk een voordeel is, omdat het ruis weghaalt en de echte fysieke trend beter laat zien.

Waarom is dit belangrijk?

Stel je voor dat je een stormvoorspelling moet doen voor een kuststad. Vroeger duurde het te lang om alle mogelijke scenario's te berekenen. Met deze nieuwe AI kunnen ze nu duizenden scenario's in een mum van tijd doorrekenen.

Dit betekent dat we in de toekomst:

• Snellere en betere waarschuwingen voor stormen en overstromingen kunnen geven.
• Offshore windparken en dijken veiliger kunnen ontwerpen.
• De interactie tussen golven en stromingen veel beter kunnen begrijpen, zonder dat onze computers oververhitten.

Kortom:
De onderzoekers hebben een slimme AI getraind die de complexe wiskunde van de golven "in één oogopslag" begrijpt. Het is alsof ze een magische voorspeller hebben gebouwd die de oceaan leest als een open boek, waardoor we de kust veiliger en sneller kunnen beschermen.

Technische samenvatting

Titel: Operator Learning voor Surrogaatmodelleren van Golf-Geïnduceerde Krachten van Zeeoppervlaktegolven

1. Probleemstelling

Golfopzet (wave setup) speelt een cruciale rol bij het overdragen van golf-geïnduceerde energie naar stromingen, wat leidt tot een toename van het waterpeil. Deze extra impulsflux, bekend als stralingsstress (radiation stress), is essentieel voor het koppelen van circulatiemodellen met golfmodellen om stormvloedvoorspellingen te verbeteren. Echter, traditionele numerieke golfmodellen, zoals SWAN (Simulating WAves Nearshore), zijn complex en rekenkundig zeer intensief. Ze lossen de golfactievevenwichtsvergelijking (WABE) op, een hoog-dimensionale partiële differentiaalvergelijking die de evolutie van golfenergie in zowel fysieke als spectrale ruimte beschrijft.

In gekoppelde simulaties (bijv. SWAN + ADCIRC) worden golfmodellen vaak uitgevoerd op een veel grovere tijdsresolutie dan circulatiemodellen vanwege de hoge rekentijd. Dit beperkt de nauwkeurigheid van de voorspellingen. Er is behoefte aan snellere, data-gedreven alternatieven die de fysieke nauwkeurigheid behouden zonder de hoge computerkosten. Bestaande data-gedreven methoden (zoals CNN's of LSTM's) hebben beperkingen: ze zijn vaak afhankelijk van specifieke roosters (discretisatie) en werken niet goed op complexe geometrieën of ongestructureerde netten.

2. Methodologie

De auteurs introduceren Deep Operator Networks (DeepONets) als een surrogaatmodel voor het numerieke golfmodel SWAN.

• Concept: In tegenstelling tot traditionele neurale netwerken die mappingen tussen eindig-dimensionale vectoren leren, benaderen DeepONets niet-lineaire mappingen tussen oneindig-dimensionale functieruimten. Dit maakt ze discretisatie-invariant, wat betekent dat ze kunnen worden toegepast op willekeurige ruimtelijke punten, ongeacht het trainingsrooster.
• Architectuur: Het model bestaat uit twee sub-netwerken:
  • Branch Network: Encodeert de invoerfuncties (randvoorwaarden en krachten), specifiek windgegevens (snelheid en richting) en initiële golfcondities (golfhoogte en richting).
  • Trunk Network: Encodeert de ruimtelijke coördinaten $(x, y)$ waar de uitkomst wordt voorspeld.
  • De uitkomst is een inproduct van de output van beide netwerken, wat de voorspelde waarde van de golfvariabelen op die specifieke locatie oplevert.
• Trainingsdata: Data wordt gegenereerd via SWAN-simulaties voor drie verschillende scenario's:
  1. Een 1D domein met een uniforme helling.
  2. Een 2D domein met een planaire helling.
  3. Een realistisch 2D kustgebied (DUCK, North Carolina) met complexe bathymetrie en randvoorwaarden.
• Doelvariabelen: Het model leert de relatie tussen de invoercondities en twee cruciale outputvariabelen:
  1. Significante golfhoogte ($H_{sig}$).
  2. Gradienten van stralingsstress (de golf-geïnduceerde krachten die de stroming beïnvloeden).

3. Belangrijkste Bijdragen

• Surrogaat voor Stralingsstress: Dit is een van de eerste studies die DeepONets toepast om niet alleen golfhoogtes, maar ook de stralingsstress-gradienten te voorspellen. Deze grootheden zijn essentieel voor de koppeling met stromingsmodellen (zoals ADCIRC).
• Discretisatie-invariantie: Het model kan voorspellingen doen op locaties die niet in het trainingsrooster zaten, wat een groot voordeel is ten opzichte van CNN-gebaseerde benaderingen.
• Validatie op Realistische Data: De methode wordt getest op een realistisch kustgebied (DUCK) met complexe bathymetrie, wat verder gaat dan de gebruikelijke idealistische testcases in de literatuur.
• Snelheidswinst: Het model biedt een enorme versnelling ten opzichte van de traditionele solver.

4. Resultaten

De prestaties van het DeepONet-suurrogaat werden geëvalueerd op basis van relatieve $L_2$-fouten (RLE), gemiddelde absolute fouten (MAE) en wortel-middelkwadratenfouten (RMSE).

• 1D en 2D Idealistische Cases:
  • Voor $H_{sig}$ werden zeer lage fouten behaald (RLE tussen 0,1% en 0,6%).
  • Voor de krachten (forces) waren de fouten iets hoger maar nog steeds acceptabel (RLE meestal < 5% voor 1D, en < 9% voor de ergste 2D-scenario's).
  • Het model toonde een sterke generalisatie over verschillende wind- en golfcondities.
• Realistische DUCK Case:
  • Ondanks de complexe bathymetrie en randvoorwaarden bleef het model robuust.
  • De RLE voor $H_{sig}$ bleef onder de 2% voor de meeste scenario's.
  • De fouten voor de krachten lagen meestal tussen 2% en 5%, met een maximum van ongeveer 11% voor de ergste scenario's.
• Foutanalyse:
  • De grootste fouten treden op in de surfzone (waar golven breken en snel veranderen) en bij de randen.
  • Het model neigt om lokale extremen in de stralingsstress te "gladstrijken" (smoothing effect). Dit wordt toegeschreven aan de "spectrale bias" van neurale netwerken (voorkeur voor lage frequenties). Hoewel dit leidt tot lokale afwijkingen ten opzichte van de ruwe SWAN-output, kan deze gladde output juist voordelig zijn voor gekoppelde stromingsmodellen die gevoelig zijn voor numeriek ruis.
• Rekenprestaties:
  • Een SWAN-simulatie duurt ongeveer 30 seconden.
  • Het DeepONet-surrogaat levert een voorspelling in ongeveer 0,04 seconden.
  • Dit resulteert in een snelheidswinst van bijna drie ordes van grootte (factor ~750).

5. Betekenis en Toekomstperspectief

• Efficiënte Koppeling: De studie toont aan dat DeepONets een haalbare manier zijn om de rekentijd van gekoppelde golf-stromingsmodellen (zoals SWAN+ADCIRC) drastisch te verminderen. Dit maakt real-time stormvloedvoorspelling en ensemble-simulaties mogelijk.
• Fysieke Interpretatie: Het model leert de onderliggende fysica van golf-golf en golf-stroming interacties, zelfs in complexe kustgebieden.
• Beperkingen en Toekomst:
  • Het huidige model voorspelt bulk-eigenschappen ($H_{sig}$ en krachten), niet het volledige golfspectrum.
  • De "gladstrijkende" eigenschap kan in zeldzame gevallen leiden tot afwijkingen bij zeer scherpe gradiënten.
  • Toekomstig werk richt zich op het uitbreiden naar tijdsafhankelijke simulaties, variabele windvelden en het voorspellen van het volledige spectrale veld.

Conclusie:
Dit onderzoek bewijst dat Deep Operator Networks een krachtig en efficiënt alternatief zijn voor traditionele numerieke golfmodellen in kusttechnische toepassingen. Ze bieden een hoge nauwkeurigheid bij het voorspellen van golfhoogtes en stralingsstress, met een rekenkostenverlaging die nieuwe mogelijkheden opent voor operationele kustbeheersystemen en risicobeoordeling.