Technische Samenvatting: Learning Interface Breakup

Probleemstelling

Het ontwerpen van spuitmonden vereist het voorspellen van de invloed van de geometrie van de spuitmond op de transiënte twee-fasen breuk (breakup). Hoewel hoogwaardige Volume-of-Fluid (VOF) simulaties met Adaptive Mesh Refinement (AMR) deze fenomenen nauwkeurig kunnen modelleren, zijn ze computationeel te kostbaar voor iteratieve ontwerpverkenning. Een enkele voorwaartse oplossing duurt uren op multi-core CPU's vanwege de noodzaak van kleine tijdstappen om dunne, snel evoluerende interfaces te resolveren en de stijve koppeling tussen de Navier-Stokes-vergelijkingen, VOF-advectie en oppervlaktespanning.

Standaard neurale surrogaatmodellen worden geconfronteerd met unieke uitdagingen in deze setting:

1. Dynamische Discretisatie: Het onderliggende AMR-mesh evolueert in de tijd en verandert met de geometrie, waardoor vaste rasterrepresentaties ontoereikend zijn.
2. Complexe Dynamiek: Meerfasige stromingen bevatten discontinuïteiten, topologische veranderingen en hoogst niet-lineaire interface-dynamica.
3. Geometrie-Stromingskoppeling: Bestaande benaderingen conditioneren doorgaans op geometrie in vereenvoudigde, stationaire settings, of leren latente representaties van complexe dynamiek zonder expliciete geometrische conditionering. Er is een gebrek aan gezamenlijke representaties die gelijktijdig de geometrie van de spuitmond en de transiënte meerfasige evolutie vastleggen.

Methodologie

De auteurs stellen een geometrie-geconditioneerde latente surrogaat voor, getraind op 797 twee-fasen spuitmondsimulaties. De kerninnovatie is het coderen van het AMR cel-densiteitsveld (een proxy voor waar de solver de resolutie concentreert) in plaats van de volledige multi-kanaal stromingstoestand. Dit transformeert de adaptieve discretisatie van een computationeel bijproduct naar een leerbaar signaal.

De architectuur bestaat uit twee stadia:

Stadium 1: Gedeelde Latente Representatie (VAE)

Dit stadium leert een compacte, tijd-onafhankelijke latente vector $z$ die de geometrie van de spuitmond en de transiënte stromingsevolutie koppelt.

• Encoder: Een Fourier Neural Operator (FNO) brengt een enkele densiteitssnapshot ($\kappa$) in kaart naar latente parameters $(\mu, \log \sigma^2)$. De encoder is tijd-blind.
• Decoder (Stroming): Een tijd-geconditioneerde SIREN (Sinusoidal Representation Network) decoder reconstrueert de transiënte densiteitsevolutie $\hat{\kappa}(x, y; t)$ vanuit de latente code $z$, tijd $t$ en ruimtelijke coördinaten. Deze maakt gebruik van FiLM-conditionering met multi-schaal ruimtelijke Fourier-features en sinusvormige tijdsfeatures.
• Geometrie Head: Een 1D Implicit Neural Representation (INR) decodeert de wanden van de spuitmond ($y_{upper}(x), y_{lower}(x)$) vanuit dezelfde latente code $\mu$.
• Training: Het model wordt end-to-end getraind op enkel densiteit en spuitmondwand-supervisie, met een verliesfunctie die een reconstructiefout, geometriefout en een free-bits KL-divergentie straf bevat om posterior collapse te voorkomen.

Stadium 2: Veldvoorspeller

Een lichtgewicht U-Net wordt apart getraind om de gereconstrueerde densiteitsproxy $\hat{\kappa}$ in kaart te brengen naar de resterende stromingsvariabelen: volumefractie ($f$) en snelheden ($u, v$). Deze fase werkt op de aanname dat densiteit fungeert als een ijle ruimtelijke signalering die de globaal gedefinieerde snelheid en volumefractie-velden conditioneert.

Inferentiestrategieën

Het framework ondersteunt twee inferentiepaden:

1. Snapshot-gebaseerd: Gegeven een densiteitssnapshot, produceert de encoder $z$, die vervolgens door de tijd wordt gescand om de volledige trajectorie te reconstrueren.
2. Alleen Geometrie: Gegeven een doelgeometrie $g^*$ van de spuitmond zonder een stromingsnapshot, wordt de latente $z^*$ hersteld via geoptimaliseerde beperkte optimalisatie in de latente ruimte om de afstand tussen de gedecodeerde geometrie en $g^*$ te minimaliseren.

Belangrijkste Bijdragen

1. AMR Cel-densiteit als Representatie: Het artikel introduceert het AMR cel-densiteitsveld als een solver-geïnformeerde representatie voor het leren van transiënte twee-fasen stromingen, waarbij de adaptieve mesh-structuur wordt benut als een compacte proxy voor de stromingscomplexiteit.
2. Gedeelde Latente Koppeling: Een gedeelde latente representatie wordt voorgesteld die de geometrie van de spuitmond en de transiënte stromingsevolutie koppelt. Dit maakt geometrische reconstructie en tijd-afhankende stromingsdecodering mogelijk vanuit één compacte code. Cruciaal is dat dit het herstel van een bruikbare latente waarde uit enkel geometrie mogelijk maakt via geoptimaliseerde beperkte optimalisatie.
3. Efficiënte One-Shot Inferentie: De methode demonstreert snelle, one-shot surrogaat-inferentie (geen autoregressieve rollout), waardoor de tijd voor trajectorie-voorspelling wordt teruggebracht van CPU-uren naar milliseconden, terwijl de belangrijkste interface-dynamica behouden blijft.

Resultaten

Het model werd geëvalueerd op 81 uit de testset gehouden simulaties (ongeveer 3.155 snapshots) met een strikte simulatieniveau-split.

• Reconstructienauwkeurigheid:
  • Densiteit: Behaalde een test Mean Squared Error (MSE) van $2.74 \times 10^{-3}$ (PSNR 30.2 dB).
  • Geometrie: Decodeerde de wanden van de spuitmond met een Mean Absolute Error (MAE) van $1.13 \times 10^{-2}$ in fysieke coördinaten.
  • Stromingsvelden: De Stage-2 U-Net behaalde test-MSE's van $1.33 \times 10^{-3}$ voor volumefractie, $2.50 \times 10^{-3}$ voor stroomopwaartse snelheid ($u$) en $1.60 \times 10^{-3}$ voor dwarsstroming ($v$).
• Versnelling: De inferentietijd is ongeveer 0,045 seconden per traject op een Apple M4 GPU, wat een versnelling betekent van meer dan $6 \times 10^4$ ten opzichte van de referentie Basilisk CFD-solver (die 45–90 minuten nodig heeft op 12 CPU-cores).
• Generalisatie vs. Nearest Neighbor: De surrogaat presteerde ongeveer 2x beter dan een nearest-neighbor baseline (gebaseerd op geometrische afstand) in termen van gemiddelde MSE over alle kanalen, wat aangeeft dat het niet-triviale geometrie-naar-stroming mappingen heeft geleerd in plaats van eenvoudige vormextractie.
• Geometrie-alleen Inversie: Bij het herstellen van de latente waarde uitsluitend uit geometrie (zonder een stromingsnapshot), verkleinde de methode de prestatiekloof met 55% vergeleken met een encoder-oracle die toegang had tot de grondwaarheid-densiteitssnapshot.

Betekenis en Claims

Het artikel claimt dat AMR-verfijningsstructuur kan dienen als een compacte en leerbare representatie voor geometrie-geconditioneerde surrogaatmodellering van transiënte twee-fasen stromingen. Door de eigen resolutiestrategie van de solver te coderen, omzeilt het model de noodzaak om de volledige hoog-dimensionale toestand direct te leren.

De auteurs positioneren dit werk als een fundamentele stap richting geometrie-gestuurde ontwerpprocessen in meerfasige systemen. Zij stellen dat dergelijke gedeelde latente representaties een natuurlijke bouwsteen zijn voor inverse design, waarbij geometrie en dynamica intrinsiek gekoppeld zijn.

Beperkingen en Reikwijdte:
De auteurs zijn bescheiden over de reikwijdte van hun claims:

• De trainingsdata is beperkt tot 797 simulaties binnen een specifieke drie-parametrische NURBS-spuitmondfamilie en een enkel Reynolds–Weber-regime.
• De Stage-2 voorspeller wordt onafhankelijk getraind, wat betekent dat fouten in de densiteitsreconstructie doorwerken in de voorspellingen van snelheid en volumefractie.
• De representatie is gebonden aan de specifieke solver (Basilisk) en verfijningsstrategie die gebruikt is; de overdraagbaarheid naar andere solvers is nog niet vastgesteld.
• Validatie tegen onafhankelijke CFD-herruns of experimentele metingen wordt opgemerkt als noodzakelijk voor operationeel gebruik, maar ligt buiten de huidige scope.

Toekomstig werk wordt geïdentificeerd als het uitbreiden naar hogere-dimensie ontwerpruimten, het toevoegen van 'heads' voor druppelverdeling-observabelen, en het valideren van geoptimaliseerde ontwerpen via onafhankelijke hoogwaardige simulaties om de cirkel te sluiten tussen geleerd ontwerp en de fysieke realiteit.