Technische Samenvatting: Versnelde en Data-efficiënte Stroomvoorspelling in Geroerde Tanks via Fysiek-Informeren Leren

Probleemstelling

Het simuleren van vloeistofstromen in industriële geroerde vaten is rekenkundig duur vanwege de complexiteit van de sturende partiële differentiaalvergelijkingen (PDV's). Hoewel er methoden met hoge fideliteit bestaan, zoals Large Eddy Simulation (LES) en Direct Numerical Simulation (DNS), kunnen zelfs routinematige Reynolds-Averaged Navier-Stokes (RANS) simulaties onbetaalbaar zijn voor toepassingen die snelle iteratie vereisen, zoals fermentatie en kristallisatie procesoptimalisatie. Bovendien vereisen geringe wijzigingen in de bedrijfsomstandigheden (bijvoorbeeld roersnelheid, vloeistofhoogte) nieuwe simulaties. Hoewel Machine Learning (ML) een potentieel surrogaat biedt om deze voorspellingen te versnellen, vereisen standaard datagedreven modellen doorgaans grote trainingsdatasets, wat een afweging creëert tussen de kosten van het genereren van simulatiedata en de voorspellende nauwkeurigheid. Dit werk onderzoekt de relatie tussen de trainingssetgrootte en de voorspellende nauwkeurigheid voor stationaire stroomvelden in een industriële geroerde tank, met name door de effectiviteit van Physics-Informed Neural Networks (PINNs) in regimes met weinig data te evalueren.

Methodologie

Data Generatie

De studie maakt gebruik van een dataset van stationaire éénfasige RANS-simulaties gegenereerd met het $k-\omega$ turbulentiemodel (SST-formulering) voor een 22 $m^3$ tank met een Rushton-turbine met meerdere roerbladen. De dataset bestrijkt een reeks realistische bedrijfsomstandigheden gedefinieerd door:

• Vloeistofhoogte: Uniform bemonsterd tussen 1,5 m en 6,5 m.
• Rijsnelheid: Bemonsterd tussen 50 en 150 rpm.
  De simulaties werden uitgevoerd met Ansys Fluent 2024R1 met de Multiple Reference Frame (MRF)-benadering om de mixerrotatie vast te leggen. De resulterende data omvat ruimtelijke coördinaten, snelheidscomponenten, druk, fasevolume-fracties en turbulentie-sluitingsparameters, bemonsterd op 100.000 punten per conditie om de niet-uniforme meshdichtheid van het oorspronkelijke CFD-rooster te behouden.

Modelarchitectuur

De auteurs maken gebruik van Implicit Neural Representations (INRs) om continue afbeeldingen te leren van ruimtelijke coördinaten en bedrijfsparameters (roersnelheid, vloeistofhoogte) naar stroomvariabelen.

• Netwerkstructuur: Een volledig verbonden Multilayer Perceptron (MLP) met 10 verborgen lagen van 100 knopen.
• Invoerverwerking: Om de spectrale bias van standaard INRs aan te pakken (de neiging om eerst laagfrequente componenten te leren), worden Fourier Feature Mappings toegepast op de invoercoördinaten voordat deze de MLP binnenkomen.
• Activering: Tanh-activeringsfuncties worden gebruikt om gladde, begrenste niet-lineariteiten te garanderen die geschikt zijn voor fysieke velden.

Trainingsstrategieën en Verliesfuncties

Drie modelvarianten werden vergeleken:

1. MLP: Een puur datagedreven model dat uitsluitend is getraind op gelabelde CFD-data met behulp van een Mean Squared Error (MSE) verlies ($L_{data}$).
2. C-MLP: Uitgebreid met het residu van de continuïteitsvergelijking ($R_{cont}$) in de verliesfunctie.
3. CM-MLP: Uitgebreid met zowel de residu's van de continuïteits- als de impulsvergelijking ($R_{cont}$ en $R_{u}$).

Opmerking: Transportresidu's voor turbulente kinetische energie ($k$) en specifieke dissipatiesnelheid ($\omega$) werden expres uitgesloten van de fysiek-informeerde verliesfunctie. Voorlopige experimenten toonden aan dat het opnemen van deze termen de trainingsstabiliteit verslechterde vanwege de hoge niet-lineariteit en stijfheid van de SST $k-\omega$ brontermen en mengfuncties die afhankelijk zijn van de wandafstand.

Het totale verlies is een gewogen som van dataverlies en PDV-residu's ($L_{res}$), waarbij het PDV-term wordt geschaald met $10^{-3}$ en genormaliseerd naar zijn losgekoppelde grootte om een gebalanceerde optimalisatie te waarborgen.

Evaluatie

De prestaties werden beoordeeld aan de hand van:

1. Globale Nauwkeurigheid: Test-MSE over alle voorspelde variabelen.
2. Kwalitatieve Ruimtelijke Analyse: Visuele vergelijking van voorspelde velden met referentiedata.
3. Tracer-transportsimulaties: Passieve tracer-dispersiesimulaties uitgevoerd op "bevroren" voorspelde stroomvelden om fysieke consistentie en mengdynamica te evalueren.

Belangrijkste Resultaten

Afweging Data-Nauwkeurigheid

• Monotone Verbetering: De voorspellingsfout (MSE) neemt monotoon af naarmate de trainingssetgrootte toeneemt voor alle modelklassen.
• Afnemende Meeropbrengst: Buiten matige datasetgroottes (ongeveer 36–54 steekproeven) vertraagt de snelheid van nauwkeurigheidsverbetering aanzienlijk. De prestaties van verschillende modelvarianten beginnen te convergeren, wat suggereert dat een relatief kleine set van goed gekozen bedrijfspunten de dominante leerbare structuur van de stroom vastlegt.

Impact van Fysieke Beperkingen

• Regime met weinig data: In scenario's met beperkte data (bijvoorbeeld 7 of 18 steekproeven) presteren fysiek-beperkte modellen (C-MLP en CM-MLP) aanzienlijk beter dan het puur datagedreven MLP. Ze bereiken een lagere globale MSE, verminderde variabiliteit tussen runs (robustheid over willekeurige zaden) en nauwkeurigere ruimtelijke voorspellingen, met name in gebieden met sterke snelheidsgradiënten.
• Regime met veel data: Naarmate de trainingsset groeit, neemt het relatieve voordeel van de beperkingen af. Met voldoende data nadert het onbeperkte MLP de prestaties van de beperkte varianten.
• PDV-residu's: Hoewel onbeperkte MLP's de voorspellingsfout met meer data verminderen, blijven hun PDV-residu's (berekend via automatische differentiatie) relatief groot. Beperkte modellen behouden per constructie lagere residu's, wat kritiek is voor downstream-taken die veldgradiënten vereisen.

Tracer-transport en Stabiliteit

• Mengdynamica: Tracersimulaties onthulden dat onbeperkte modellen die zijn getraind op kleine datasets, een hogere variabiliteit tussen runs en een bias in de eindtoestand vertoonden in vergelijking met de CFD-referentie. De continuïteitsbeperking (C-MLP) verminderde deze bias en variabiliteit.
• Numerieke Koppeling: Het integreren van de geleerde stationaire velden in een conventionele CFD-oplosser voor transiënt tracer-transport bleek numeriek delicaat. Zelfs bij kleine globale fouten konden lokale inconsistenties of discretisatie-afwijkingen schijnbare divergentie of niet-fysische extremen introduceren, wat zorgvuldige interpolatie en consistentiecontroles vereiste.

Betekenis en Bijdragen

Het artikel levert drie primaire bijdragen aan het veld van wetenschappelijk machine learning voor vloeistofdynamica:

1. Data Generatie: De auteurs hebben een gecontroleerde dataset gegenereerd en gepubliceerd van stationaire stroomvelden in een industriële geroerde tank met behulp van RANS ($k-\omega$) simulaties over een reeks roersnelheden en vloeistofhoogtes.
2. Empirische Studie van Data-efficiëntie: Het werk biedt een systematische evaluatie van de afweging tussen data en nauwkeurigheid, waarbij duidelijke afnemende meeropbrengsten in nauwkeurigheid worden aangetoond buiten matige datasetgroottes en de specifieke voordelen van fysieke beperkingen in regimes met weinig data worden gekwantificeerd.
3. Kwantificering van Fysieke Beperkingen: De studie toont aan dat PDV-beperkte modellen de nauwkeurigheid en stabiliteit aanzienlijk verbeteren wanneer data schaars is. Het benadrukt echter ook de praktische uitdagingen, waaronder een toegenomen trainingscomplexiteit en de numerieke broosheid van het terugkoppelen van geleerde velden naar conventionele CFD-oplossers.

De auteurs concluderen dat hoewel fysiek-informeren leren een robuuste weg biedt voor data-efficiënte stroomvoorspelling, de voordelen het meest uitgesproken zijn wanneer trainingsdata beperkt is. Naarmate de data beschikbaarheid toeneemt, neemt de marginale winst van expliciete fysieke beperkingen af, hoewel ze waardevol blijven om fysieke consistentie in afgeleide grootheden te waarborgen.