Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

Dit artikel stelt een framework voor genexpressie-programmering voor dat is gefilterd op residualen en realiserbaarheid, waarbij fysische beperkingen direct in de CFD-oplossingslus worden geïntegreerd om stabiele, fysisch consistente turbulentie-sluitingsmodellen voor wake-stromingen efficiënt te ontdekken, wat aanzienlijke reducties in rekentijd en niet-realisabele uitkomsten oplevert, terwijl tegelijkertijd robuuste generalisatie over diverse geometrieën wordt aangetoond.

De kern

Stel je voor dat je probeert een robot te leren hoe hij kan voorspellen hoe rook achter een auto of een boot draait. Dit is een probleem dat "turbulentiemodelering" wordt genoemd. Wetenschappers gebruiken complexe wiskunde (simulaties) om dit te doen, maar de standaardwiskunde die ze gebruiken is als een bot instrument – het krijgt vaak de details verkeerd, vooral in de rommelige wake achter een object.

Om dit op te lossen, hebben de onderzoekers in dit artikel Machine Learning gebruikt om een nieuwe, slimmere wiskundige formule te bedenken. Het is echter lastig om een machine te leren fysische formules te bedenken. Als je de machine de vrije loop laat, creëert het vaak formules die er op papier goed uitzien, maar ervoor zorgen dat de computersimulatie crasht, bevriest of "geesten" produceert (resultaten die de wetten van de natuurkunde schenden).

Hier is hoe het artikel dit probleem oplost, simpel uitgelegd:

1. Het Probleem: De "Wilde Kind"-leerder

Denk aan het machine learning-proces als een leraar die probeert 256 studenten (kandidaatformules) op te leiden om een puzzel op te lossen.

• De Oude Manier (Basislijn): De leraar laat elke student lang aan de puzzel werken (duizenden stappen). Als het antwoord van een student ervoor zorgt dat het klaslokaal ontploft (de computer crasht) of als ze een getal opschrijven dat fysiek onmogelijk is (zoals negatieve energie), merkt de leraar dit pas nadat de student uren werk heeft verspild. Dit is ontzettend traag en duur.
• Het Probleem: Veel van deze "slechte" formules zijn wiskundig instabiel of "niet-realisabel" (ze schenden de regels van de werkelijkheid), maar de computer weet dit pas als het te laat is.

2. De Oplossing: De "Drie-Staps Veiligheidscontrole"

De auteurs hebben een nieuw systeem bedacht dat RR-GEP heet. In plaats van elke student tot het einde te laten werken, hebben ze een strikte veiligheidscontrole met drie poorten geïnstalleerd. Als een student een poort niet haalt, wordt hij direct verwijderd, wat tijd en energie bespaart.

• Poort 1: De "Ontploft het?"-Controle (Residual Check)
  Stel je voor dat een student een wiskundig probleem oplost. Als hun getallen wild beginnen te springen of enorm groot worden, stopt de leraar ze direct. Dit vangt formules op die ervoor zorgen dat de computer crasht.
• Poort 2: De "Word je Beter?"-Controle (Convergence Check)
  Als de getallen niet ontploffen, vraagt de leraar: "Kom je dichter bij het antwoord?" Als de student in een lus blijft hangen en geen vooruitgang boekt, wordt hij naar huis gestuurd. Dit stopt formules die alleen maar tijd verspillen zonder iets op te lossen.
• Poort 3: De "Maakt het Zin?"-Controle (Realizability Check)
  Dit is het belangrijkste nieuwe kenmerk. Zelfs als een student de wiskunde correct oplost en niet crasht, kan het antwoord nog steeds onmogelijk zijn in de echte wereld.
  • De Analogie: Stel je voor dat een student zegt: "De wind waait met 160 km/u, maar de lucht heeft negatief gewicht." De wiskunde kan kloppen, maar de fysica is verkeerd.
  • De onderzoekers gebruiken een speciale kaart (een Barycentrische Kaart) om te controleren of het antwoord van de student binnen de "Driehoek van de Werkelijkheid" past. Als het antwoord buiten deze driehoek valt, wordt het direct afgewezen. Dit zorgt ervoor dat de nieuwe formule de fundamentele wetten van de natuurkunde respecteert.

3. De Resultaten: Sneller en Slimmer

Door deze drie-staps filter te gebruiken, hebben de onderzoekers enkele indrukwekkende resultaten geboekt:

• Snelheid: Ze hebben de tijd die nodig is om de AI te trainen met 42% verkort. Ze stopten tijdverspilling aan formules die gedoemd waren te mislukken.
• Kwaliteit: Bij de oude methode waren bijna 60% van de uiteindelijke formules fysiek onmogelijk ("niet-realisabel"). Met hun nieuwe methode hebben ze dit teruggebracht tot minder dan 2%.
• Prestatie: De formules die ze vonden waren niet alleen stabiel; ze waren ook beter in het voorspellen van de "wake" (de draaiende lucht/water) achter objecten. Ze voorspelden de grootte van het draaiende gebied nauwkeuriger dan de oude standaardmethoden.

4. Werkt het op andere dingen?

De onderzoekers hebben de AI getraind op een simpele cilinder (zoals een pijp die uit het water steekt). Vervolgens hebben ze het getest op volledig verschillende vormen:

• Een rechthoekige cilinder (zoals een baksteen).
• Een vleugelprofiel (de vleugel van een vliegtuig).
• Een onderzeeër-vorm (DARPA Suboff).

Hoewel de AI alleen was getraind op de ronde pijp, voorspelde het succesvol de wake voor de baksteen, de vleugel en de onderzeeër. Het heeft niet alleen de pijp uit het hoofd geleerd; het heeft de onderliggende regels geleerd van hoe turbulentie werkt, en het heeft die regels "echt" gehouden (fysiek mogelijk) in al deze nieuwe situaties.

Samenvatting

Het artikel presenteert een nieuwe manier om computers te leren fysische formules te bedenken. In plaats van de computer blind te laten gissen en te hopen dat het niet crasht, hebben ze drie "leuningpalen" neergezet. Deze leuningpalen voorkomen dat de computer tijd verspilt aan slechte ideeën en zorgen ervoor dat elke uiteindelijke formule die het bedenkt, de wetten van de natuurkunde volgt. Dit maakt het proces sneller, goedkoper en veel betrouwbaarder voor het voorspellen van hoe vloeistoffen rond objecten bewegen.

Technische samenvatting

Technische Samenvatting: Realiseerbaarheids-beperkt Machine Learning voor Turbulentie-sluitingen in Wake-stromingen

Probleemstelling
Op Computational Fluid Dynamics (CFD) gebaseerde machine learning-frameworks, met name die welke symbolische regressie via Gene Expression Programming (GEP) gebruiken, bieden een veelbelovende weg voor het ontdekken van expliciete, fysisch interpreteerbare turbulentiemodellen. Deze frameworks kampen echter met aanzienlijke beperkingen wat betreft numerieke instabiliteit en fysische toelaatbaarheid. Tijdens het trainingsproces worden duizenden kandidaat-sluitingsmodellen sequentieel ingebed in Reynolds-gegemiddelde Navier-Stokes (RANS)-oplossers. Een niet-verwaarloosbaar deel van deze kandidaten leidt tot divergentie van de solver, stagnatie van de residuen of onfysische groei van turbulentiekwantiteiten. Dergelijke instabiele gedragingen worden vaak pas na duizenden iteraties gedetecteerd, wat resulteert in aanzienlijke verspilling van rekenkracht. Bovendien dwingen bestaande frameworks zelden "realiseerbaarheid" af – de vereiste dat gemodelleerde Reynolds-spanningen fysisch toelaatbaar blijven (bijvoorbeeld positieve turbulente kinetische energie, begrenste anisotropie) – tijdens het ontdekkingsproces. Bijgevolg kunnen geleerde sluitingen fundamentele fysische beperkingen schenden, zelfs als ze lijken te leiden tot een betere overeenstemming van de gemiddelde stroming met referentiedata, wat de robuustheid en generalisatie in gevaar brengt.

Methodologie
De auteurs stellen een op residuen en realiseerbaarheid gefilterd CFD-gedreven framework voor dat geïntegreerd is binnen een GEP-paradigma. Deze aanpak introduceert een meerstaps toezichtslaag direct in de CFD-oplossingslus om vroege identificatie en verwerping van instabiele en niet-realiseerbare kandidaatmodellen mogelijk te maken. De methodologie bestaat uit drie sequentiële filterstappen die worden toegepast bij specifieke iteratietellingen ($N_1$ en $N_2$) voordat volledige convergentie ($N_3$) wordt beoogd:

1. Stap 1 (Absoluut residu): Na $N_1$ iteraties worden kandidaten verworpen als het maximale genormaliseerde residu van de besturingsvergelijkingen een voorgeschreven drempelwaarde overschrijdt ($\epsilon_1 \approx 10^{-1}$). Dit filtert modellen weg die directe divergentie veroorzaken.
2. Stap 2 (Reductieverhouding van residuen): Kandidaten die Stap 1 doorstaan, worden geëvalueerd bij $N_2$ iteraties. Ze worden verworpen als de reductieverhouding van het residu ($\Gamma$) tussen $N_1$ en $N_2$ niet voldoet aan een minimum verbeteringsfactor, of als de oplossing stagneert. Dit zorgt ervoor dat alleen modellen die een consistente afname van residuen vertonen, doorgaan.
3. Stap 3 (Handhaving van realiseerbaarheid): Voor modellen die de residucontroles doorstaan, wordt een op een barycentrische kaart gebaseerde beperking toegepast. De eigenwaarden van de genormaliseerde anisotropietensor worden berekend, en de resulterende toestand wordt in kaart gebracht op een barycentrische driehoek die de grenstoestanden van turbulentie voorstelt (1C, 2C, 3C). Kandidaten worden verworpen als hun barycentrische gewichten de convexe beperkingen schenden, waarbij een kleine tolerantie ($\epsilon_3$) wordt toegestaan, geschaald naar het effectieve residu om rekening te houden met onvolledige convergentie.

Het framework is getraind op een canonieke wake achter een cilindrische cilinder bij $Re=3900$. De kostenfunctie minimaliseerde het verschil tussen RANS- en Large Eddy Simulation (LES)-profielen van de stromingsrichtings-velocity in de wake, zonder expliciete straftermen voor stabiliteit of realiseerbaarheid, aangezien deze strikt werden afgedwongen via de filterstappen. De resulterende modellen waren Expliciete Algebraïsche Reynolds-spanningsmodellen (EARSM) die specifiek werden toegepast in het wake-gebied, terwijl de Boussinesq-approximatie elders werd behouden.

Belangrijkste Bijdragen

• Ontwikkeling van een Gefilterd GEP-framework: Het artikel introduceert een nieuw "Realiseerbaarheids-Residu-gefilterd GEP" (RR-GEP) algoritme dat stabiliteits- en realiseerbaarheidscontroles direct integreert in de evolutionaire lus, waardoor het verschilt van "bevroren" of standaard CFD-gedreven benaderingen.
• Efficiëntiewinst: Door onproductieve kandidaten vroegtijdig te beëindigen, vermindert het framework aanzienlijk de rekenkosten voor modelontdekking.
• Fysische Toelaatbaarheid: De methode dwingt realiseerbaarheidsbeperkingen expliciet af tijdens het trainen, zodat ontdekte modellen fysisch consistente Reynolds-spanningstoestanden opleveren.
• Validatie van Generalisatie: De studie valideert de robuustheid van de ontdekte modellen over diverse geometrieën en stromingsregimes, waaronder een rechthoekige cilinder, een NACA 0012 vleugelprofiel en een axiaal symmetrisch DARPA Suboff-lichaam, bij Reynolds-getallen variërend van $10^3$ tot $10^6$.

Resultaten

• Rekenefficiëntie: Het RR-GEP-framework bereikte een reductie van 42,3% in rekenkosten vergeleken met de baseline CFD-gedreven GEP (B-GEP). Het verwerpingspercentage van modellen was gemiddeld 37,8% voor RR-GEP, waarbij 47,3% van de kandidaten uitsluitend in de eerste generatie werd verworpen.
• Verbetering van Realiseerbaarheid: De filterstrategie verminderde de prevalentie van niet-realiseerbare modellen bij convergentie drastisch. Waar 58,4% van de geconvergeerde modellen in het B-GEP-framework niet-realiseerbaar was, daalde dit cijfer naar 1,7% voor het RR-GEP-framework.
• Voorspellende Nauwkeurigheid: De RR-GEP-modellen verbeterden de wake-voorspellingen voor het trainingsgeval (cilinder), waarbij de lengte van het scheidingsbel van $x/D \approx 4,5$ (baseline RANS) werd teruggebracht tot 2,25, wat nauw aansluit bij LES-data. De modellen vertoonden ook een verbeterde voorspelling van Reynolds-schuifspanning en turbulente kinetische energie.
• Robuustheid en Generalisatie: De modellen getraind op de cilindrische cilinder generaliseerden succesvol naar ongezette geometrieën (rechthoekige cilinder, vleugelprofiel, Suboff) en aanzienlijk hogere Reynolds-getallen zonder realiseerbaarheid te verliezen. De modellen behielden een gebonden coëfficiëntengedrag en fysisch consistente anisotropietrajecten over alle testgevallen.
• Modelkarakteristieken: Het filterproces leidde tot modellen met aanzienlijk gereduceerde en strak gebonden scalair coëfficiënten vergeleken met de baseline. Bijvoorbeeld, de gemiddelde grootte van de coëfficiënt $|\zeta_1|$ daalde van $\approx 2,73$ (B-GEP) naar $\approx 1,76$ (RR-GEP), wat wijst op een voorkeur voor eenvoudigere, beter gecontroleerde functionele vormen die versterking van onfysische spanningen vermijden.

Betekenis
Het artikel beweert dat het integreren van realiseerbaarheids- en stabiliteitsbeperkingen direct binnen CFD-gedreven leren de efficiënte ontdekking van turbulentiemodellen mogelijk maakt die zowel numeriek robuust als fysisch consistent zijn. Door instabiele en niet-realiseerbare kandidaten vroeg te filteren, vermindert het framework de rekenlast van modelontdekking terwijl het de zoektocht leidt naar fysisch toelaatbare oplossingen. De resultaten tonen aan dat deze aanpak een schaalbare weg biedt voor het ontwikkelen van betrouwbare datagedreven sluitingen die goed generaliseren over diverse stromingsconfiguraties en bedrijfsomstandigheden, waarmee een kritieke kloof in huidige machine learning-gebaseerde turbulentiemodelleringsinspanningen wordt gedicht.