Nested Fourier-enhanced neural operator for efficient modeling of radiation transfer in fires

Deze studie introduceert een geneste Fourier-verbeterde neurale operator (Fourier-MIONet) die de stralingsoverdracht in brand-simulaties efficiënt en nauwkeurig benadert, waardoor de rekentijd aanzienlijk wordt verkort en hogere nauwkeurigheid in CFD-toepassingen mogelijk wordt gemaakt.

De kern

Stel je voor dat brandweerlieden en veiligheidsingenieurs een enorme, digitale poppenkast bouwen om te voorspellen hoe een brand zich zal gedragen. Ze willen weten: waar gaat de hitte naartoe? Hoe snel verspreidt de rook zich? En vooral: hoe kunnen we gebouwen zo ontwerpen dat ze niet instorten als het vuur toeslaat?

Om dit te doen, gebruiken ze supercomputers die de luchtstromen en de hitte simuleren. Maar er is één groot probleem: de straling van het vuur.

Het probleem: De "Rekenkracht-Val"

Vuur straalt enorme hoeveelheden warmte uit. Om dit in de computer te berekenen, moeten ze een heel ingewikkelde wiskundige formule oplossen (de Stralingstransportvergelijking).

Stel je voor dat je een gigantische puzzel moet leggen, maar elke puzzelstuk moet je eerst zelf uit een ander boek kopiëren voordat je hem kunt neerleggen. Dat kost zo veel tijd dat de computer vastloopt. In de echte wereld betekent dit dat ingenieurs vaak moeten "cheaten": ze gebruiken simpele, onnauwkeurige schattingen om de berekening snel genoeg te houden. Dat is gevaarlijk, want als je de hitte verkeerd inschat, kan een gebouw instorten.

De oplossing: De "Super-Snuffel" (Neural Operator)

De auteurs van dit artikel hebben een slimme oplossing bedacht: een kunstmatige intelligentie (AI) die is getraind om deze puzzel niet stuk voor stuk op te lossen, maar om het geheel te "snuffelen" en direct het antwoord te geven.

Ze noemen hun systeem een Fourier-MIONet. Laten we dit uitleggen met een paar creatieve vergelijkingen:

1. De "Muziek-Filter" (Fourier)

Stel je voor dat je een orkest hoort spelen. Een gewone computer probeert elke noot van elke muzikant apart te analyseren. Dat is traag.
Deze nieuwe AI gebruikt een Fourier-filter. Het is alsof je luistert naar de melodie en de ritmische patronen in plaats van naar elke individuele noot. Door te kijken naar de "golven" van de hitte (zoals geluidsgolven), kan de AI de complexe patronen van een brand veel sneller en scherper zien. Het ziet de "ruis" en de "snelheid" van het vuur in één oogopslag.

2. De "Lagen van een Taart" (Nested)

Een brand is niet overal even groot. In het midden van de vlam is het chaos en heel gedetailleerd (zoals de vulling van een taart), maar aan de randen is het rustiger (zoals het deeg).
Normaal gesproken zou je de hele taart met dezelfde precisie moeten snijden, wat veel werk is.
De auteurs hebben een geneste (nested) structuur bedacht.

• Bovenin: De AI kijkt eerst naar de hele taart met een grove blik (een ruwe schets).
• Middenin: Dan zoomt hij in op de vulling en gebruikt de ruwe schets als leidraad.
• Bovenop: Tot slot kijkt hij heel dichtbij naar de details van de vlam.

Het is alsof je een kaart van de wereld gebruikt om een stad te vinden, dan een stadskaart om een straat te vinden, en tenslotte een huisnummer. Je hoeft niet de hele wereld in detail te tekenen om je huis te vinden. Dit maakt het systeem enorm snel en efficiënt.

3. De "Alles-kunnen" Brand (Variabele HRR)

Eerder moesten ingenieurs een aparte AI trainen voor elke brandgrootte: één voor een klein vuurtje, één voor een grote brand, één voor een explosie.
Deze nieuwe AI is getraind op alles. Het is alsof je een chef-kok hebt die niet alleen weet hoe je een klein pannetje pasta kookt, maar ook hoe je een gigantische ketel soep bereidt, en hij kan tussendoor wisselen van grootte zonder te hoeven stoppen om de recepten te lezen. De AI leert de principes van vuur, niet alleen de specifieke maten.

Waarom is dit geweldig?

• Snelheid: Waar de oude methode minuten of uren nodig had om de hitte te berekenen, doet deze AI het in een fractie van een seconde. Het is als het verschil tussen een handgeschreven brief en een e-mail.
• Nauwkeurigheid: De AI maakt nauwelijks fouten (minder dan 4% afwijking). Ze ziet de scherpe randen van de hitte en de complexe wervelingen van de rook veel beter dan de oude, simpele methoden.
• Toekomst: Hierdoor kunnen ingenieurs in de toekomst gebouwen ontwerpen die veiliger zijn, omdat ze de hitte van een brand heel precies kunnen voorspellen zonder dat hun computer vastloopt.

Kortom: Ze hebben een digitale "vuurspeler" gebouwd die niet alleen snel is, maar ook heel slim. Hij begrijpt de taal van het vuur en kan voorspellen waar de hitte naartoe gaat, zodat we beter voorbereid zijn op de brand van morgen.

Technische samenvatting

Titel

Geneste Fourier-geoptimaliseerde neurale operator voor efficiënte modellering van stralingsoverdracht in branden.

1. Probleemstelling

Computational Fluid Dynamics (CFD) is een essentieel hulpmiddel voor het voorspellen van brandgedrag, maar het behoud van zowel rekenefficiëntie als nauwkeurigheid blijft een uitdaging. Een van de grootste bronnen van rekentijd in brandsimulaties is de modellering van stralingswarmteoverdracht.

• De uitdaging: De stralingsvergelijking (Radiative Transfer Equation, RTE) is een hoogdimensionale integro-differentiaalvergelijking. Traditionele numerieke methoden, zoals de Finite Volume Method (FVM) of Discrete Ordinates Method (DOM) gebruikt in solvers zoals FireFOAM, zijn computationally duur. Ze vereisen vaak iteratieve oplossingen over ruimtelijke roosters en hoekdiscretisaties, wat een prestatiefiguur vormt, vooral bij hoge resoluties en complexe 3D-vlammen.
• Beperkingen van bestaande methoden:
  • PINNs (Physics-Informed Neural Networks): Zijn vaak beperkt tot het oplossen van één specifieke instantie van een vergelijking en generaliseren niet goed naar veranderende invoerparameters zonder hertraining.
  • Standaard Deep Learning: Standaard Multi-Layer Perceptrons (MLP's) kampen met "spectrale bias", waardoor ze moeite hebben met het leren van hoogfrequente details en scherpe gradiënten die typerend zijn voor turbulente branden.
  • Schaalbaarheid: Het toepassen van surrogate-modellen op 3D-simulaties met lokaal verfynde roosters (mesh refinement) is moeilijk omdat de datastructuur heterogeen is en monolithische modellen inefficiënt worden.

2. Methodologie

De auteurs stellen een data-gedreven raamwerk voor gebaseerd op Fourier-geoptimaliseerde Multiple-Input Neural Operators (Fourier-MIONet).

A. Basisarchitectuur: Fourier-MIONet

In plaats van de RTE direct op te lossen, leert het model de operator die de invoervelden (absorptiecoëfficiënt $\kappa$ en temperatuur $T$) afbeeldt op het uitgangsveld (stralingsintensiteit $I$).

• MIONet: Een architectuur die meerdere invoerfuncties verwerkt via "branch nets" (voor de invoervelden) en een "trunk net" (voor de ruimtelijke/hoekige coördinaten).
• Fourier-versterking: Om de spectrale bias van MLP's te overwinnen en scherpe gradiënten beter te vangen, worden Fourier-lagen geïntegreerd. Deze lagen gebruiken de Fast Fourier Transform (FFT) om hoogfrequente componenten expliciet te modelleren. Dit verbetert de nauwkeurigheid voor niet-gladde oplossingen aanzienlijk.
• Dimensionaliteitsreductie: Voor de hoge-dimensionale invoervelden (honderdduizenden roosterpunten) wordt Principal Component Analysis (PCA) gebruikt om de data te projecteren op een lagere dimensie, waardoor de parameter ruimte wordt gereduceerd zonder cruciale fysische kenmerken te verliezen.
• KAN (Kolmogorov-Arnold Networks): In sommige varianten worden standaard lagen vervangen door KAN-lagen om nog beter in staat te zijn complexe functies en scherpe gradiënten te benaderen.

B. Geneste Architectuur (Nested Fourier-MIONet)

Voor 3D-simulaties met lokaal verfynde roosters (waarbij het rooster in de vlamregio fijner is dan elders) is een enkel model ontoereikend.

• Hiërarchische aanpak: Het domein wordt opgedeeld in vier geneste subdomeinen met verschillende resoluties (van grof tot fijn).
• Geneste inferentie: Er worden vier aparte Fourier-MIONet-modellen getraind, één voor elk resolutieniveau.
  • Het model voor het grofste niveau (Level 4) voorspelt de straling op basis van de invoer.
  • De uitkomst van dit niveau wordt ge-upsampled (via een deconvolutielaag) en fungeert als invoer voor het model van het volgende fijnere niveau (Level 3), en zo verder tot Level 1.
• Samenstelling: De uiteindelijke globale oplossing wordt samengesteld door voor elk ruimtelijk punt de voorspelling van het fijnste beschikbare niveau te selecteren.

C. Data Generatie

De modellen zijn getraind op data gegenereerd door de CFD-solver FireFOAM voor McCaffrey-poolbranden.

• Scenario's:
  1. 2D poolbrand (voor architectuurvalidatie).
  2. 3D McCaffrey-brand met vaste warmteafgifte (HRR: 14 kW tot 58 kW).
  3. 3D McCaffrey-brand met variabele HRR (continu oplopend van 10 kW tot 60 kW) om generalisatie te testen.
• Invoer: Temperatuurvelden en absorptiecoëfficiënten.
• Uitvoer: Stralingsintensiteit over 16 vaste ruimtelijke hoeken.

3. Belangrijkste Bijdragen

1. Ontwikkeling van Fourier-MIONet: Een data-gedreven surrogate-model dat de oplossing van de RTE leert door absorptie en temperatuur te koppelen aan stralingsintensiteit, met superieure prestaties ten opzichte van traditionele MIONet-varianten dankzij Fourier-lagen.
2. Geneste Schaalbaarheid: De introductie van een geneste architectuur die het mogelijk maakt om stralingsoplossingen te voorspellen over meerdere mesh-verfijningsniveaus in complexe 3D-simulaties, wat essentieel is voor engineering-toepassingen.
3. Generalisatie over Brandgrootte: Het trainen van één uniek model dat werkt over een continu bereik van brandgroottes (variabele HRR), waardoor hertraining voor elke nieuwe brandgrootte overbodig wordt.
4. Flexibiliteit: Het bieden van vier modelgroottes (Tiny, Small, Medium, Large) die een afweging bieden tussen inferentiesnelheid en voorspellende nauwkeurigheid.

4. Resultaten

De methode is gevalideerd op 2D en 3D McCaffrey-branden.

• Nauwkeurigheid:
  • Voor 2D-branden behaalde Fourier-MIONet een relatieve $L_2$-fout van 3,70% voor intensiteit en 1,93% voor inkomende straling, wat significant beter is dan basismodellen zonder Fourier-lagen.
  • Voor 3D-branden met vaste HRR (58 kW) bereikte het grootste model een globale fout van ~2,11% voor intensiteit en ~0,55% voor totale stralingswarmteverlies.
  • Het model dat getraind is op variabele HRRs behaalde een globale fout van 3,91% voor intensiteit bij de 58 kW testcase, wat slechts een kleine degradatie is ten opzichte van het specifiek getrainde model, maar wel een enorme winst in generalisatie.
• Efficiëntie:
  • De inferentie-tijd voor een volledige 3D-oplossing (alle roosterpunten en 16 hoeken) op een GPU varieerde van 0,015 s (Tiny) tot 0,044 s (Large).
  • Dit is aanzienlijk sneller dan de geschatte rekentijd voor één iteratie van de traditionele fvDOM-oplosser in FireFOAM (ongeveer 0,10 s - 0,24 s op CPU, afhankelijk van het aantal kernen).
• Fysische consistentie: Het model behoudt energiebehoud en voorspelt de stralingsfractie en totale warmteverlies met zeer lage fouten, wat aantoont dat de fysische dynamiek correct wordt vastgelegd.

5. Betekenis en Toekomstperspectief

Dit onderzoek toont aan dat machine learning-gedreven surrogate-modellen een haalbaar alternatief zijn voor traditionele stralingsoplossers in CFD.

• Praktische impact: Door de stralingsberekening te versnellen, wordt het mogelijk om hogere fideliteit stralingsmodellen (zoals spectrale opgeloste modellen) toe te passen in engineering-toepassingen zonder dat de rekentijd onbeheersbaar wordt.
• Toekomst: De auteurs plannen om deze aanpak toe te passen op complexere, industriële scenario's (zoals opslagbranden en paneeltests) en te werken aan transfer learning tussen verschillende materialen en schalen.

Kortom, de paper presenteert een doorbraak in het combineren van geavanceerde neurale operator-architecturen met CFD-werkstromen om stralingsoverdracht in branden zowel nauwkeurig als extreem snel te modelleren.