Assisted Turbulence Modeling via Data Assimilation and Machine Learning for Turbomachinery Flows

In de wereld van de luchtvaart is de motor het hart, maar de compressor de longen. Dit onderdeel, een stapel draaiende bladen binnenin een metalen buis, moet lucht aanzuigen, deze stevig samenpersen en met ongelooflijke efficiëntie richting de verbrandingskamer duwen. Als de lucht niet soepel stroomt, kan de motor afslaan, vermogen verliezen of zelfs uitvallen. Decennialang hebben ingenieurs vertrouwd op twee belangrijke hulpmiddelen om deze complexe stroming te begrijpen: fysieke experimenten in windtunnels en computersimulaties. Experimenten zijn nauwkeurig, maar duur en moeilijk uit te voeren binnen een draaiende machine. Computersimulaties zijn goedkoop en flexibel, maar ze worstelen vaak met het voorspellen van de chaotische, kolkende turbulentie van lucht met perfecte precisie. De uitdaging is altijd geweest hoe men het beste van beide werelden kan combineren: de betrouwbaarheid van echte gegevens en het brede overzicht van een computermodel, zonder een fortuin uit te geven of jaren te moeten wachten op resultaten.

Een team onderzoekers aan de Arts et Métiers in Frankrijk heeft een nieuwe manier ontwikkeld om deze kloof te overbruggen, waarbij zij zich concentreerden op een specifieke testcompressor genaamd CME2. Zij creëerden een hybride systeem dat eerst beperkte experimentele metingen combineert met computersimulaties om een uiterst nauwkeurig beeld van de luchtstroom op te bouwen. Vervolgens leerden zij een computerprogramma om van dit verbeterde beeld te leren, waardoor een instrument ontstond dat in de toekomst de stroming zelfstandig en nauwkeurig kan voorspellen. Het doel was om de fouten in standaard computersimulaties te herstellen, zodat ze de kwaliteit van dure experimenten konden evenaren, maar zonder dat de experimenten telkens aanwezig hoeven te zijn bij een nieuwe berekening.

De onderzoekers begonnen met een compressor-testopstelling met één trap in Lille, Frankrijk. Deze machine laat een rotor draaien met dertig bladen en een stationaire set van veertig bladen. Om te zien wat er binnenin gebeurde, gebruikten zij een techniek genaamd Particle Image Velocimetry. Deze methode houdt in dat de lucht wordt verrijkt met minuscule rookdeeltjes en dat er een laserblad door de machine wordt geschoten om deze te verlichten. Een hogesnelheidscamera legt de beweging van deze deeltjes vast, waardoor het team de snelheid van de lucht op drie specifieke doorsneden langs de hoogte van de bladen in kaart kan brengen. Echter, deze metingen bestaan alleen op die drie dunne snijvlakken; de rest van de machine blijft een blinde vlek.

Om de gaten op te vullen, draaide het team computersimulaties met twee verschillende niveaus van detail. De ene simulatie was een stationair, vereenvoudigd model dat snel draaide, maar enkele van de complexe, veranderende details van de stroming miste. De andere was een veel gedetailleerdere, onstabiele simulatie die de kolkende turbulentie vastlegde, maar enorme rekenkracht vereiste en nog steeds enige onnauwkeurigheden vertoonde. De onderzoekers gebruikten vervolgens een statistische methode genaamd data-assimilatie om deze drie bronnen van informatie samen te voegen: de schaarse laser-metingen, de snelle simulatie en de gedetailleerde simulatie. Dit proces fungeerde als een slim filter, dat de ruwe computervoorspellingen nam en ze bijstuurde om overeen te komen met de echte lasergegevens waar die aanwezig waren, terwijl het de fysica van de computermodellen gebruikte om de rest van de machine in te vullen. Het resultaat was een volledige, hoogwaardige kaart van de luchtstroom die veel nauwkeuriger was dan welke enkele bron alleen had kunnen bieden.

Met deze nieuwe, superieure kaart in handen werden de onderzoekers geconfronteerd met een nieuwe uitdaging. Het proces van data-assimilatie was krachtig, maar vereiste de aanwezigheid van de laser-metingen tijdens de berekening. Zij wilden een instrument dat dit hoogwaardige resultaat kon produceren zonder dat de lasergegevens elke keer nodig waren. Om dit te bereiken, maakten zij gebruik van machine learning. Zij trainden een neuraal netwerk, een type computerprogramma dat ontworpen is om patronen te herkennen, met behulp van de gegevens van hun verbeterde kaart. Het programma leerde lokale kenmerken van de stroming te herkennen, zoals de snelheid van de lucht en hoe snel die snelheid verandert, en voorspelde vervolgens een correctieterm. Deze correctieterm was in feite een wiskundige "duw" die aan de standaard computervergelijkingen kon worden toegevoegd om ze te dwingen zich meer als de echte, hoogwaardige stroming te gedragen.

Wanneer zij deze machine learning-instrumenten testten, waren de resultaten veelbelovend, maar ze onthulden ook een kritieke beperking. Wanneer het instrument werd getraind op gegevens van het midden van het blad, werkte het zeer goed in die regio en verminderde het de fout aanzienlijk in vergelaging met de standaard simulatie. Echter, wanneer het instrument dat getraind was op het midden van het blad werd toegepast op de punt van het blad, of andersom, werden de voorspellingen onbetrouwbaar. In het meest complexe gebied, nabij de bladtips waar de lucht geweldig kolkt, maakte een enkel machine learning-model dat getraind was op één deel van de machine de computersimulatie zelfs slechter dan deze voorheen was. Het model kon zijn kennis simpelweg niet generaliseren naar zo'n totaal andere fysieke omgeving.

Om dit op te lossen, ontwikkelden de onderzoekers een strategie die bekend staat als een "mixture of experts" (een mengeling van experts). In plaats van te vertrouwen op één alwetend computerprogramma, creëerden zij een systeem dat werkt als een verkeersregelaar. Deze regelaar kijkt naar de locatie binnen de machine en beslist welke van de drie gespecialiseerde machine learning-instrumenten het best geschikt is voor die specifieke plek. Als de lucht zich nabij de naaf bevindt, gebruikt het de tool die getraind is op naaf-gegevens; als het zich nabij de punt bevindt, schakelt het over naar de tool die getraind is op punt-gegevens. Door deze gespecialiseerde experts te combineren, kon het systeem een hoge nauwkeurigheid over de gehele machine handhaven. Het uiteindelijke resultaat was een model dat de fout in de computersimulatie verminderde tot een niveau dat zeer dicht bij de hoogwaardige data-assimilatiekaart lag, maar zonder dat er tijdens de berekening enige experimentele gegevens nodig waren.

De studie toont aan dat, hoewel machine learning computersimulaties van complexe machines spectaculair kan verbeteren, één enkel model vaak niet voldoende is om elke situatie aan te kunnen. Door de sterke punten van data-assimilatie te combineren met een slim systeem dat schakelt tussen gespecialiseerde leerinstrumenten, hebben de onderzoekers een robuuste methode gecreëerd die de nauwkeurigheid behoudt, zelfs in de moeilijkste gebieden van de stroming. Deze aanpak biedt een pad vooruit voor het ontwerpen van efficiëntere en veiligere vliegtuigmotoren, waardoor ingenieurs kunnen vertrouwen op computermodellen die even betrouwbaar zijn als fysieke experimenten, maar veel sneller en goedkoper te gebruiken zijn.