Stochastic Smoothed Particle Hydrodynamics for Stochastic Mechanics Problems

Technische Samenvatting: Stochastische Smoothed Particle Hydrodynamics voor Stochastische Mechanica Problemen

Probleemstelling
Smoothed Particle Hydrodynamics (SPH) is een gevestigde, roostervrije Lagrangiaanse methode die effectief is voor het modelleren van grote vervormingen, vrij-vlakstromen en complexe interfaceverschijnselen in deterministische systemen. Echter, klassieke SPH-formuleringen zijn beperkt tot deterministische partiële differentiaalvergelijkingen (PDV's). In real-world engineering en fysische toepassingen zijn onzekerheden die voortvloeien uit meetfouten, modelvereenvoudigingen en inherente variabiliteit in materiaaleigenschappen of randvoorwaarden wijdverbreid. Hoewel Monte Carlo-simulatie (MCS) in combinatie met numerieke oplosmethoden deze onzekerheden kan aanpakken, is dit computereconomisch onhaalbaar vanwege de vereiste van duizenden deterministische simulaties. Daarentegen zijn niet-steekproefgebaseerde benaderingen zoals perturbatiemethoden efficiënt, maar beperkt tot laagdimensionale systemen of vereisen ze complexe gradiëntberekeningen. Bovendien falen bestaande surrogate-modellen vaak om te garanderen dat onderliggende fysische wetten worden nageleefd. Er blijft een significante kloof bestaan in het efficiënt oplossen van Stochastische Partiële Differentiaalvergelijkingen (SPDV's) binnen een volledig roostervrij raamwerk dat de fysische betrouwbaarheid van SPH behoudt.

Methodologie
De auteurs stellen Stochastische SPH (S-SPH) voor, een nieuw raamwerk dat orthogonale Polynoom-Chaos-uitbreidingen (PCE) integreert met de klassieke SPH-kern om SPDV's op te lossen. De methodologie verloopt via de volgende kernstappen:

1. Functionele Decompositie: Het stochastische veldvariabele $u(x, t; \xi)$ wordt ontbonden met behulp van een spectrale aanpak. De ruimtelijke afhankelijkheid wordt behandeld via de SPH-kernbenadering, terwijl de stochastische afhankelijkheid van stochastische variabelen $\xi$ wordt weergegeven met een reeks orthogonale polynomen $\Phi_\alpha(\xi)$. Dit scheidt de stochastische variabelen van ruimtelijke en temporele variabelen.
2. Discretisatie van Stochastische Velden: Voor onzekerheden die worden gemodelleerd als stochastische velden (bijvoorbeeld ruimtelijk variërende viscositeit of beginvoorwaarden), wordt de Karhunen–Loève (K-L)-expansie ingezet om het oneindig-dimensionale stochastische veld te discretiseren tot een eindige set onafhankelijke stochastische variabelen.
3. Galerkin-projectie: De heersende SPDV wordt geprojecteerd op de polynoombasis met behulp van een Galerkin-projectie. Dit transformeert de oorspronkelijke stochastische PDV in een gekoppeld stelsel van deterministische gewone differentiaalvergelijkingen (GDV's) dat de tijdevolutie van de expansiecoëfficiënten regelt.
4. Rand- en Gradiëntbehandeling: Om nauwkeurigheid in een roostervrije context te behouden, met name nabij randen, maakt de methode gebruik van ghost-particle-technieken aangevuld met een gradiëntcorrectiematrix. Dit zorgt voor $C^0$- en $C^1$-consistentie nabij randen en in het binnenste domein.
5. Tijdsintegratie: Een predictor–corrector-integratieschema wordt gebruikt om numerieke stabiliteit en nauwkeurige tijdevolutie van de expansiecoëfficiënten te waarborgen.

Belangrijkste Bijdragen

• Raamwerkontwikkeling: De introductie van S-SPH, die de roostervrije SPH-capaciteit uitbreidt naar stochastische mechanica problemen gemodelleerd als SPDV's.
• Analytische Statistieken: Het vermogen om responsstatistieken (gemiddelde en variantie) analytisch te berekenen direct uit de expansiecoëfficiënten, waardoor herhaalde steekproeven overbodig worden.
• Randbehandeling: De aanpassing van ghost-particle- en gradiëntcorrectietechnieken specifiek voor de stochastische formulering om Dirichlet- en Neumann-voorwaarden effectief te hanteren.
• Algoritmische Implementatie: Het bieden van een volledig algoritmisch workflow, inclusief generatie van buurlijsten, automatische differentiatie voor ruimtelijke gradiënten, en de berekening van Galerkin-koppelingscoëfficiënten.

Resultaten
Het S-SPH-raamwerk werd gevalideerd tegen drie benchmarkproblemen die zowel lineaire als niet-lineaire PDV's omvatten:

1. Stochastische Golfadventie: Getest met stochastische advectiesnelheden (Gaussische en Lognormale verdelingen) en stochastische beginvoorwaarden (parametrisch en stochastisch veld).
2. 1D Inviscide Burgers-vergelijking: Geëvalueerd met willekeurige beginamplitudes en golfgetallen, evenals willekeurige beginvelden.
3. 2D Viscose Burgers-vergelijking: Getest met willekeurige begin-Fourier-modusvelden en ruimtelijk variërende willekeurige viscositeit (multiplicatieve onzekerheid).

In alle gevallen toonden de door S-SPH berekende gemiddelde en standaardafwijkingsstatistieken uitstekende overeenstemming met referentieoplossingen gegenereerd door Monte Carlo-simulatie (MCS) met 5.000 steekproeven. De methode vertoonde systematische convergentie naarmate de orde van de polynoombasis toenam. Opmerkelijk is dat de rekentijd van S-SPH met maximaal drie ordes van grootte werd gereduceerd in vergelijking met directe steekproefbenaderingen (MCS), terwijl hoge betrouwbaarheid in het vastleggen van onzekerheidspropagatie behouden bleef.

Betekenis en Aanspraken
Het artikel stelt dat S-SPH een efficiënte, nauwkeurige en volledig roostervrije methodologie biedt voor onzekerheidskwantificering in complexe mechanische toepassingen. Door orthogonale polynomen in de SPH-formulering in te bedden, bereikt de aanpak een systematische scheiding van stochastische en ruimtelijke variabiliteit zonder de Lagrangiaanse aard van de methode te offeren. De auteurs stellen dat S-SPH een robuust alternatief is voor traditionele Monte Carlo-methoden, met name voor hoogdimensionale en sterk niet-lineaire systemen waar directe steekproeven computereconomisch onhaalbaar zijn. Het raamwerk behandelt succesvol zowel parametrische onzekerheden als ruimtelijk verdeelde stochastische velden, en biedt een schaalbare oplossing voor stochastische stromingsleer en vaste-stofmechanica problemen.