A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows

Technische Samenvatting: Een gevalideerde LBM-dataset en pipeline voor surrogaatmodellering van turbulente 3D obstructie-kanaalstromingen

Probleemstelling
Computationele vloeistofdynamica (CFD) simulaties van 3D turbulente stromingen bij matige tot hoge Reynoldsgetallen (Re) blijven computationeel prohibitief, zelfs met moderne GPU-parallellisatie. Hoewel machine learning (ML) surrogaatmodellen een weg bieden om voorspellingen te versnellen, wordt hun rigoureuze evaluatie belemmerd door een gebrek aan gevalideerde, hoogwaardige datasets met complexe geometrieën. Bestaande databases, zoals de Johns Hopkins Turbulence Database, richten zich op canonieke configuraties (bijv. isotrope turbulentie) in plaats van op de 3D-stromingen rond complexe objecten die relevant zijn voor de techniek. Bovendien is een eerlijke vergelijking van state-of-the-art neurale operatoren (bijv. Fourier Neural Operators, U-Nets) moeilijk zonder consistente fysische benchmarks en metrieken die kritieke turbulente verschijnselen vastleggen, zoals de energiecascade en hoogfrequente dynamica.

Methodologie
De auteurs presenteren een reproduceerbare pipeline die ontworpen is voor het genereren van trainingsdata voor 3D-kanaalstromingen rond procedureel gegenereerde geometrieën bij Reynoldsgetallen variërend van 1.000 tot 10.000. De methodologie bestaat uit drie primaire fasen:

1. Geometrie- en datageneratie: De pipeline genereert afgeleide objecten (cilinders, rechthoeken, sferen, tori, wiggen) binnen een computationeel domein van $2 \times 1 \times 1$ (kanaalhoogte-eenheden). Simulaties worden uitgevoerd met het waLBerla-framework, dat hoog geoptimaliseerde, code-gegenereerde Lattice Boltzmann Method (LBM) implementaties biedt.
2. Solver-configuratie: De LBM-solver maakt gebruik van een D3Q27-stencil met cumulant-botsingsoperatoren, wat een verbeterde numerieke stabiliteit en nauwkeurigheid biedt ten opzien van standaard multiple relaxation time-modellen. Om de precisie voor turbulente stromingen te verhogen, wordt een vierde-orde advectie-diffusie correctieschema met limiting toegepast. Opvallend genoeg vangt de aanpak de energiecascade zonder expliciete subgrid-scale (SGS) modellen (bijv. Smagorinsky), aangezien testen aangaven dat het toevoegen van SGS-modellen de fysische nauwkeurigheid in dit regime verminderde. Vloeistof-vaste interacties maken gebruik van een kwadratisch bounce-back schema voor tweede-orde ruimtelijke nauwkeurigheid.
3. Validatieprotocol: De dataset wordt rigoureus gevalideerd tegen experimentele metingen (specifiek Choi en Park [13] voor sfeerstroming) en numerieke benchmarks. Validatiemetrieken zijn onder meer:
   • Weerstandscoëfficiënten: Vergeleken met Roos en Willmarth [15] over diverse roosterresoluties om roosterconvergentie te waarborgen.
   • Strouhal-getal: Validatie van vortex-afwerping dynamica.
   • Recirculatie-lengte: Het meten van de omvang van de recirculatiebel.
   • Turbulente fluctuaties: Beoordeling van stroomopwaartse turbulente intensiteit en snelheidfluctuatiestatistieken.
   • Turbulente structuren: Visuele verificatie van coherente structuren zoals hairpin-vortices.

De uiteindelijke dataset bevat stromingen rond 42 procedureel gegenereerde objecten, opgeslagen als HDF5-bestanden op resoluties variërend van $64^3$ tot $1024 \times 512 \times 512$ (simulaties gedraaid op volledige resolutie, opgeslagen op de helft).

Belangrijkste Bijdragen

• Gevalideerde Pipeline: Een volledige, reproduceerbare workflow voor het genereren van 3D turbulente flow-data rond complexe geometrieën, waarmee de kloof tussen canonieke databases en technisch relevante scenario's wordt overbrugd.
• Rigoureuze Verificatie: De LBM-solver configuratie is geverifieerd tegen experimentele data voor Strouhal-getallen, weerstandscoëfficiënten en turbulente fluctuaties, met uitgebreide roosterconvergentiestudies die numerieke nauwkeurigheid bevestigen bij hoge resoluties ($1024 \times 512 \times 512$).
• Gestandaardiseerde Benchmarking: Dit werk vestigt een kader voor de gestandaardiseerde vergelijking van neurale operatoren (FNO, U-Net) op taken zoals forecasting, super-resolutie en foutcorrectie, gebruikmakend van physics-informed metrieken.
• Voorlopige Baselines: De auteurs bieden initiële prestatiebenchmarks voor Fourier Neural Operators (FNO) en U-Net architecturen die tijdgemiddelde stromingsvelden voorspellen vanuit geometrie-masks.

Resultaten

• Solver Nauwkeurigheid: De LBM-solver vertoonde convergent gedrag in weerstandscoëfficiënten, waarbij experimentele waarden binnen $\pm 6\%$ werden benaderd bij een resolutie van 512 cellen. Recirculatie-lengtes ($l_r/D \approx 1.8$) en Strouhal-getallen ($St \approx 0.18$) kwamen overeen met de literatuurwaarden. Instantane snapshots reproduceerden succesvol fijnmazige coherente structuren, zoals hairpin-vortices.
• Prestaties van Surrogaatmodellen: In voorlopige baseline tests voor het voorspellen van gemiddelde stroomopwaartse snelheidvelden:
  • U-Net (5 lagen) behaalde de laagste foutpercentages (MSE: $1.22 \times 10^{-4}$, NRMSE: 0.0159) en de hoogste throughput (32.87 samples/s).
  • FNO varianten (Original, Hybrid, Factorized) vertoonden hogere fouten (MSE variërend van $6.01 \times 10^{-4}$ tot $11.13 \times 10^{-4}$) en een lagere throughput vergeleken met de U-Net.
  • De U-Net wordt geïdentificeerd als de meest veelbelovende kandidaat voor verder onderzoek op basis van deze initiële resultaten.

Betekenis en Toekomstig Werk
Dit artikel positioneert dit werk als een fundamentele stap naar de vooruitgang van physics-gebaseerde neurale netwerken en hybride differentiabele numerieke solvers. Door een gevalideerde dataset en pipeline te bieden, beogen de auteurs een eerlijke, systematische vergelijking van neurale operatoren in turbulente stromingsregimes mogelijk te maken.

De auteurs stellen expliciet dat de huidige baseline resultaten slechts dienen als proof-of-concept demonstraties, die geen uitgebreide hyperparameter-tuning en variantie-inschatting bevatten. Toekomstig werk zoals beschreven in het papier omvat:

• Systematische evaluatie van U-Net en FNO varianten op forecasting, super-resolutie en foutcorrectie taken.
• Implementatie van uitgebreide loss-functies die adversariële en spectrale componenten combineren om spectrale bias (de neiging tot het overmatig gladstrijken van fijnmazige structuren) aan te pakken.
• Exploratie van aandachtmechanismen (attention mechanisms) in Time-Conditioned U-Nets en FNO's.
• Een rigoureuze vergelijking van de computationele kosten tussen traditionele solvers en neurale surrogaten om de praktische toepasbaarheid te beoordelen.

De auteurs nodigen de gemeenschap uit voor feedback op hun validatieaanpak en evaluatieprioriteiten, waarbij zij benadrukken dat het uiteindelijke doel het ondersteunen van de ontwikkeling van efficiënte, fysisch accurate surrogaatmodellen voor 3D turbulente stromingen is.