Field Inversion Symbolic Regression with Embedded Equation Learner for Interpretable Turbulence Model Correction

Dit artikel presenteert FISR-EQL, een interpreteerbaar framework dat vergelijkingen leren direct in een veldinversie-proces integreert om nauwkeurige en fysiek consistente correcties voor turbulentiemodellen te genereren die prestaties van neurale netwerken evenaren zonder inzicht te verliezen.

De kern

Stel je voor dat je een zeer ervaren piloot hebt die vliegtuigen bestuurt. Deze piloot (de computer) gebruikt een oude, maar vertrouwde handleiding (het wiskundige model) om te voorspellen hoe de luchtstromen rondom een vliegtuig zich gedragen. Deze handleiding werkt fantastisch voor rechte lijnen en rustige vluchten. Maar zodra het vliegtuig een scherpe bocht maakt, of als er turbulentie (wervelingen) ontstaat, begint de handleiding fouten te maken. De piloot denkt dan bijvoorbeeld dat de luchtstroom nog rustig is, terwijl er in werkelijkheid al een enorme draaikolk ontstaat die het vliegtuig kan laten stuiteren.

In de luchtvaart noemen we dit "turbulentie". De huidige handleidingen (RANS-modellen) zijn goed, maar ze hebben een zwak punt: ze onderschatten vaak hoe groot die wervelingen zijn, vooral als de luchtstroom loslaat van het vleugeloppervlak.

Het probleem met de oude oplossingen
Tot nu toe hebben wetenschappers twee manieren gehad om dit op te lossen:

1. De "Goochelaar" (Neurale Netwerken): Ze hebben een supersterke, maar ondoorzichtige computer (een neurale net) getraind om de fouten te corrigeren. Het werkt goed, maar niemand weet waarom de computer die specifieke aanpassing doet. Het is een "zwarte doos". Als je vraagt: "Waarom deed je dat?", zegt de computer: "Omdat het zo in de cijfers staat." Dat is gevaarlijk voor ingenieurs die moeten begrijpen wat er gebeurt.
2. De "Twee-stappen" methode: Eerst kijken ze waar de fout zit, en daarna proberen ze een formule te bedenken die daarop past. Het probleem hier is dat de eerste stap en de tweede stap niet perfect op elkaar zijn afgestemd. Het is alsof je eerst een kaart tekent en daarna probeert een auto te bouwen die daarop rijdt, maar de auto past niet op de wegen die je hebt getekend.

De nieuwe oplossing: FISR-EQL
De auteurs van dit paper hebben een slimme nieuwe methode bedacht, genaamd FISR-EQL. Laten we dit uitleggen met een analogie:

Stel je voor dat je een recept hebt voor een soep (het luchtstroommodel). De soep is vaak te dun op de plekken waar de lucht loslaat.

• In plaats van een magische, onbegrijpelijke machine toe te voegen die de soep "zomaar" dikker maakt, hebben de onderzoekers een receptschrijver (de EQL) in de keuken gezet.
• Deze receptschrijver is geen mens, maar een slimme computer die alleen werkt met duidelijke wiskundige formules (zoals $x + y$ of $\sin(x)$).
• De computer probeert duizenden variaties van het recept. Ze kijken continu of de soep (de simulatie) beter wordt.
• Het slimme trucje is: de computer is verplicht om het recept zo simpel en compact mogelijk te houden. Ze mogen niet te veel rare ingrediënten toevoegen. Ze moeten een korte, begrijpelijke zin vinden die de soep perfect maakt.

Wat maakt dit zo speciaal?

1. Het is een open boek: Aan het einde van het proces krijg je niet een onbegrijpelijke computercode, maar een duidelijke wiskundige formule. Je kunt zien: "Ah, als de luchtstroom snel draait, voegen we dit specifieke ingrediënt toe." Dat is voor ingenieurs goud waard.
2. Het werkt direct: In plaats van eerst een kaart te tekenen en daarna een auto te bouwen, bouwt deze methode de auto direct op de weg. De computer leert het recept terwijl hij de simulatie draait. Dit voorkomt de fouten die bij de oude "twee-stappen" methode ontstonden.
3. Het is slim en selectief: De computer heeft een "scherm" (een beschermfunctie) die zorgt dat hij alleen ingrijpt waar het nodig is (bijvoorbeeld bij wervelingen). Op plekken waar de luchtstroom rustig is (zoals langs een rechte vleugel), doet hij niets. Zo verpest hij de goede resultaten niet.

De resultaten
De onderzoekers hebben dit getest op verschillende situaties:

• Oefeningen: Ze trainden het model op simpele, bekende stromingen (zoals een hobbeltje in een kanaal).
• Toetsen: Vervolgens lieten ze het model los op situaties die het nog nooit had gezien, zoals een complex vliegtuigvleugel met een klep (de NLR7301) of een kubus in de wind.

Het resultaat? Het nieuwe model voorspelde precies waar de luchtstroom loslaat en waar hij weer vastplakt. Het deed dit net zo goed als de "zwarte doos" computers, maar met het grote voordeel dat ingenieurs nu begrijpen hoe het werkt.

Kortom
Dit paper presenteert een manier om de "rekenmachine" van vliegtuigontwerpers slimmer te maken, zonder hem onbegrijpelijk te maken. Het is alsof je een oude, gebrekkige handleiding vervangt door een nieuwe, die je zelf hebt geschreven, maar die is geschreven door een computer die weet hoe hij de luchtstroom moet "repareren" met een paar simpele, elegante regels. Dit maakt toekomstige vliegtuigen veiliger en efficiënter, omdat we eindelijk begrijpen waarom de lucht zich zo gedraagt als hij doet.

Technische samenvatting

Titel

Field Inversion Symbolic Regression met een Inbedde Equation Learner voor Interpreteerbare Correctie van Turbulentiemodellen.

1. Het Probleem

Traditionele turbulentiemodellen op basis van Reynolds-gegemiddelde Navier-Stokes (RANS) vergelijkingen, zoals het SST-model, vertonen beperkingen bij het simuleren van complexe stromingen, met name bij afgescheiden stromingen (separation) en heraansluiting (reattachment).

• Modelonvolkomenheid: De fouten ontstaan vaak door fundamentele structurele aannames in het model en niet alleen door onzekerheid in de coëfficiënten. Dit leidt bijvoorbeeld tot een systematische onderschatting van de Reynolds-spanningen in afscheidingsgebieden, waardoor de grootte van afscheidingsbellen wordt overschat.
• Beperkingen van bestaande datagedreven methoden:
  • Twee-staps benaderingen (FIML-classic / FISR): Deze methoden splitsen het probleem op in twee fasen: eerst wordt een correctieveld geïnfereerd (Field Inversion) en daarna wordt een machine learning-model (vaak een neurale netwerken of symbolische regressie) offline getraind om dit veld te benaderen. Dit leidt tot een doelwit-mismatch (objective mismatch): het geoptimaliseerde model minimaliseert niet direct de fout in de CFD-oplossing, maar alleen de fout tussen het model en het geïnfereerde veld. Dit kan leiden tot numerieke instabiliteit bij terugkoppeling in de CFD-solver.
  • Eind-tot-eind neurale netwerken (FIML-direct): Hoewel deze methoden de doelwit-mismatch oplossen door het model direct in de PDE's te embedden, zijn neurale netwerken black-box modellen. Ze missen interpretbaarheid en generaliseren soms minder goed dan expliciete wiskundige uitdrukkingen.

2. Methodologie: FISR-EQL Framework

De auteurs stellen een nieuw framework voor: FISR-EQL (Field Inversion Symbolic Regression met Equation Learner). Dit framework combineert de optimaliteit van eind-tot-eend methoden met de interpretbaarheid van symbolische regressie.

• Kernconcept: In plaats van een neurale netwerken te gebruiken, wordt een Equation Learner (EQL) architectuur direct ingebed in het veldinversieproces. De EQL is een type neurale netwerk waarbij de activeringsfuncties worden vervangen door symbolische operatoren (zoals $\sin$, $\cos$, $\tanh$, vermenigvuldiging).
• Optimalisatieproces:
  • Het correctiefactor $\beta$ wordt niet als een ruimtelijk veld geoptimaliseerd en daarna gefit, maar direct als een functie van lokale stromingseigenschappen ($q$) geoptimaliseerd binnen de PDE-beperkte optimalisatie.
  • Dit gebeurt via discrete adjoint methoden (geïmplementeerd in DAFoam), wat zorgt voor efficiënte gradient-based optimalisatie.
  • Er wordt een shielding-functie gebruikt om te voorkomen dat de correctie wordt toegepast in aangehechte grenslaagstromingen (waar het SST-model al goed werkt), zodat de voorspelling van huidwrijvingsweerstand niet verslechtert.
• Sparsiteit en Interpretatie: Om een compacte en interpreteerbare analytische uitdrukking te verkrijgen, worden sparsiteitsbeperkingen (via $L_1$-regularisatie) toegepast op de netwerkparameters tijdens het trainen. Na het trainen worden de verwaarloosbare verbindingen verwijderd, waardoor een expliciete, menselijk leesbare formule overblijft.

3. Belangrijkste Bijdragen

1. Eliminatie van Doelwit-Mismatch: Het framework lost het probleem van de twee-staps aanpak op door de correctiemodelparameters direct te optimaliseren ten opzichte van de CFD-voorspellingsfout, zonder een tussenliggend correctieveld.
2. Interpreteerbaarheid: Het levert expliciete analytische uitdrukkingen op in plaats van black-box neurale netwerken, waardoor de fysische oorzaken van de correctie direct inzichtelijk zijn.
3. Efficiëntie: Door het gebruik van adjoint-methoden is de berekeningsefficiëntie aanzienlijk hoger dan bij methoden die geen gradients gebruiken (zoals genetische programmering).
4. Generalisatie: Het getrainde model toont sterke generalisatievermogen naar ongezette stromingsconfiguraties zonder dat de prestaties van de aangehechte grenslaag worden aangetast.

4. Resultaten

Het model is getraind op twee canonieke gevallen: de Curved Backward-Facing Step (CBFS) en de NASA Hump.

• Trainingsresultaten:

  • De FISR-EQL methode bereikte een voorspellingsnauwkeurigheid voor de heraansluitingslocatie die vergelijkbaar is met FIML-direct (neurale netwerken) en aanzienlijk beter dan FIML-classic.
  • Hoewel de numerieke fout iets hoger was dan bij het neurale netwerk (vanwege de beperkte complexiteit van de symbolische uitdrukking), bood het model een duidelijk voordeel in interpretatie en stabiliteit.
  • De afgeleide uitdrukking voor de correctiefactor $\beta$ bleek compact en fysiek onderbouwd (bijv. afhankelijk van invariants van de spannings- en rotatietensor).

• Generalisatietests (Ongezette Cases):

  • Periodieke Heuvels (Periodic Hills): Het model reduceerde de RMSE van de stroomsnelheid met 12% tot 32% ten opzichte van het basis SST-model, afhankelijk van de helling.
  • NLR7301 Hooglift-profiel: Het model verbeterde de voorspelling van de stall-hoek en de maximale liftcoëfficiënt aanzienlijk, terwijl de weerstand in het lineaire regime behouden bleef.
  • FAITH Hill (3D): Het model verminderde de voorspelling van voortijdige afscheiding en verbeterde de voorspelling van de grenslaagontwikkeling. In tegenstelling tot neurale netwerken, die hier vaak faalden of waarden rond 1 gaven (geen correctie), bleef de expliciete uitdrukking robuust.
  • ZPG Grenslaag: De shielding-functie werkte perfect; er was geen degradatie van de voorspelling voor aangehechte grenslaagstroming.

5. Betekenis en Conclusie

Dit onderzoek biedt een praktische weg naar transparante en generaliseerbare datagedreven correcties van turbulentiemodellen.

• Het overbrugt de kloof tussen de hoge nauwkeurigheid van "black-box" deep learning en de fysieke inzichtelijkheid van traditionele modellen.
• De methode is bijzonder waardevol voor industriële toepassingen waar interpretatie en betrouwbaarheid cruciaal zijn.
• Hoewel de studie zich nu richt op stationaire stromingen, biedt het framework een veelbelovende basis voor de uitbreiding naar tijdsafhankelijke (unsteady) stromingsproblemen, waar het definiëren van tussenliggende correctievelden vaak onmogelijk is.

Kortom, FISR-EQL bewijst dat het mogelijk is om een "beste van twee werelden" te bereiken: de optimaliteit van een direct geoptimaliseerd model gecombineerd met de fysieke transparantie van een symbolische uitdrukking.