Three-dimensional variational data assimilation of separated flows using time-averaged experimental data

Este artigo apresenta um novo arcabouço de assimilação de dados variacional tridimensional que integra dados experimentais de PIV planar com o modelo RANS de Spalart-Allmaras para separar efetivamente erros de medição de deficiências do modelo de turbulência, melhorando significativamente as previsões de escoamento para escoamentos separados sobre um perfil NACA0012 em comparação com métodos bidimensionais tradicionais.

O essencial

Imagine que você está tentando assar o bolo perfeito, mas sua receita (o modelo de computador) continua saindo um pouco errada. Além disso, você tem uma foto de um bolo real (dados experimentais) que deseja igualar. O problema é que a foto está um pouco borrada, faltam alguns ingredientes e foi tirada de um ângulo estranho.

Este artigo trata de uma nova maneira de consertar a receita para que ela combine melhor com o bolo real, mesmo quando a foto não é perfeita.

O Problema: A Foto "Plana" vs. A Realidade "Redonda"

Cientistas usam modelos de computador para prever como o ar se move sobre as asas de um avião. Esses modelos são como receitas. Às vezes, a receita está um pouco errada, especialmente quando a asa está em um "estol profundo" (uma situação em que a asa para de funcionar bem, como um avião perdendo sustentação no céu).

Para consertar a receita, os cientistas usam uma técnica chamada Assimilação de Dados. Eles pegam medições do mundo real (como uma foto do fluxo de ar) e forçam o modelo de computador a corresponder a ela.

No entanto, há um detalhe: as medições do mundo real vêm de uma técnica chamada PIV (Velocimetria de Imagem de Partículas), que tira uma "fatia" 2D ou uma foto plana do ar. Mas o ar movendo-se ao redor de uma asa é, na verdade, 3D (ele se move para cima, para baixo, para a esquerda, para a direita e também para dentro e para fora da foto).

O artigo argumenta que os métodos anteriores tentavam forçar essa foto plana e 2D a se ajustar a uma realidade 3D, fingindo que o ar só se movia em duas direções. Isso é como tentar encaixar uma laranja redonda em um buraco quadrado; você tem que espremê-la e distorcê-la para que ela caiba.

O Jeito Antigo: A "Laranja Esmagada" (Assimilação 2D)

No método antigo (chamado 2DVar), os cientistas pegavam a foto plana e forçavam o modelo de computador a obedecer às regras de um mundo 2D.

• A Analogia: Imagine que o modelo de computador é um aluno tentando resolver um problema de matemática. O professor (os dados reais) dá a eles uma resposta um pouco errada e borrada. O aluno tenta mudar sua própria resposta para coincidir com a do professor.
• O Erro: Como a resposta do professor foi tirada de uma foto plana de um mundo 3D, ela possui "erros" (não é perfeitamente equilibrada). O aluno, tentando corresponder a isso, começa a mudar sua própria matemática de maneiras estranhas. Ele culpa sua própria matemática ruim pelo fato de a foto do professor estar borrada.
• O Resultado: A "correção" que o aluno faz é enorme e bagunçada. Ela corrige os erros matemáticos e também tenta corrigir o fato de a foto ser plana. Não é possível distinguir o que parte da correção estava corrigindo o modelo e o que era apenas para corrigir a foto ruim.

O Novo Jeito: Os "Óculos 3D" (Assimilação 3D)

Os autores deste artigo inventaram um novo método (chamado 3DVar). Em vez de forçar o ar a permanecer plano, eles deixam o modelo de computador respirar na terceira dimensão (a profundidade), mesmo que a foto mostre apenas uma fatia plana.

• A Analogia: Agora, o aluno está usando óculos 3D. Ele sabe que a foto do professor é apenas uma fatia de um objeto 3D. Quando a foto parece "desequilibrada" (divergente), o aluno percebe: "Ah, o ar deve estar se movendo para dentro ou para fora da foto para que isso se equilibre!"
• A Correção: O modelo de computador permite que o ar se mova nessa terceira direção. Isso naturalmente corrige as partes "desequilibradas" da foto sem precisar forçar a matemática a quebrar.
• O Resultado: A "correção" que o aluno faz é agora muito menor e mais limpa. Ela corrige apenas os erros reais na receita (o modelo de turbulência), e não as falhas na foto.

O Que Eles Descobriram

Eles testaram isso em um perfil NACA0012 (um formato de asa específico) em alta velocidade, onde o ar se separa e gira chaoticamente.

1. O Jeito Antigo (2D): O computador teve que fazer mudanças massivas e confusas nas equações da física para corresponder à foto plana. Ele não conseguia distinguir se estava corrigindo o modelo ou apenas compensando a falta dos dados 3D.
2. O Novo Jeito (3D): O computador fez ajustes menores e mais inteligentes. Ele deixou o ar fluir naturalmente em 3D para equilibrar as equações.
3. O Resultado: O novo método previu a sustentação (o quanto a asa empurra para cima) e a pressão na asa com muito mais precisão. Também deu uma imagem melhor da "turbulência" (o caos giratório), porque o modelo não estava sendo forçado a fazer coisas impossíveis apenas para corresponder a uma foto plana.

A Conclusão

Pense nisso da seguinte forma: Se você tentar descrever uma escultura 3D usando apenas uma sombra 2D, você ficará confuso. Se você forçar um desenho 2D a parecer com essa sombra, terá que distorcer o desenho até que ele não se pareça em nada com a escultura real.

Este artigo mostra que, se você permitir que seu desenho tenha profundidade (3D), mesmo que tenha apenas uma sombra 2D para olhar, você pode reconstruir a escultura real com muito mais precisão. O modelo de computador para de lutar contra os dados e começa a realmente entender a física do fluxo.

Resumo técnico

Resumo Técnico: Assimilação de dados variacional tridimensional de escoamentos separados utilizando dados experimentais de tempo médio

Definição do Problema
O artigo aborda as limitações da aplicação da assimilação de dados (DA) variacional a escoamentos complexos e separados utilizando dados de Velocimetria de Imagem de Partículas (PIV) planar. Embora a PIV forneça campos de velocidade de dois componentes e de tempo médio valiosos, ela carece inerentemente do componente de velocidade fora do plano. Em escoamentos separados, como o estol profundo sobre um aerofólio, o escoamento é inerentemente tridimensional (3D). As abordagens tradicionais de DA frequentemente impõem restrições de continuidade bidimensionais (2D) a esses dados 2D. Os autores argumentam que essa confluência leva a uma interpretação equivocada do termo de força corretiva utilizado nas equações de momento. Especificamente, quando restrições 2D são aplicadas a dados experimentais que não são livres de divergência, o termo de força corretiva compensa não apenas as deficiências do modelo de turbulência Reynolds-Averaged Navier–Stokes (RANS), mas também a ausência do terceiro componente de velocidade e o ruído experimental. Isso torna difícil isolar erros de modelagem física de inconsistências de medição e dificulta a reconstrução precisa de estatísticas de segunda ordem, como a tensão de cisalhamento de Reynolds.

Metodologia
O estudo emprega uma estrutura de assimilação de dados variacional utilizando um método adjunto discreto implementado através do solver DAFoam. O núcleo da metodologia envolve a otimização de um termo de força corretiva ($f_{ci}$) adicionado às equações de momento para minimizar a discrepância entre uma simulação RANS (usando o modelo de turbulência Spalart–Allmaras) e os dados de referência.

O artigo compara duas configurações distintas:

1. 2DVar (Assimilação Bidimensional): As equações governantes e as restrições de continuidade são impostas estritamente em duas dimensões (direção do escoamento e normal à parede). O domínio na direção da envergadura é tratado como uma única camada de célula ($N_z=1$), forçando efetivamente o escoamento a ser 2D.
2. 3DVar (Assimilação Tridimensional): Os autores propõem uma abordagem inovadora onde as equações governantes e as restrições incorporam todas as três dimensões espaciais. O domínio computacional é estendido na direção da envergadura com resolução suficiente ($N_z > 1$) para permitir o desenvolvimento de um componente de velocidade fora do plano. Crucialmente, os dados de referência permanecem 2D2C (dois componentes, duas dimensões), projetados sobre a grade 3D.

A função objetivo minimiza a norma $L_1$ da discrepância de velocidade entre a simulação e os dados de referência (tanto sintéticos quanto experimentais). A otimização é realizada usando Programação Quadrática Sequencial (SQP) com gradientes computados via o método adjunto discreto.

Principais Contribuições

• Estrutura de Assimilação de Dados Variacional 3D Inovadora: O artigo introduz um método de DA variacional 3D que impõe restrições de continuidade 3D enquanto assimila dados experimentais 2D2C.
• Desacoplamento de Erros: O estudo demonstra que as restrições 3D permitem que o termo de força corretiva aborde primordialmente erros de configuração experimental (ex: divergência devido à falta de dados 3D ou ruído), enquanto o modelo de turbulência fica livre para capturar a física subjacente do escoamento de forma mais precisa.
• Reconstrução de Quantidades Não Medidas: O método mostra-se capaz de reconstruir quantidades físicas não medidas diretamente, como campos de pressão e forças de sustentação, bem como quantidades de modelagem, como a tensão de cisalhamento de Reynolds e a viscosidade de eddy.

Resultos
A metodologia foi testada em um aerofólio NACA0012 em estol profundo ($\alpha = 15^\circ$, $Re_c \approx 7.5 \times 10^4$) utilizando tanto dados sintéticos (que satisfazem a continuidade 2D) quanto dados experimentais de PIV (que violam a continuidade 2D).

• Dados Sintéticos: No caso 2DVar com dados sintéticos livres de divergência, a força corretiva foi pequena em comparação com a força de Reynolds, indicando que o modelo base pode capturar a física com ajustes menores.
• Dados Experimentais (2DVar): Quando aplicado a dados experimentais, a abordagem 2DVar exigiu um termo de força corretiva grande. A magnitude dessa força foi comparável à força de Reynolds, sugerindo que ela estava compensando a natureza 3D do escoamento e erros de divergência, em vez de apenas deficiências de modelagem de turbulência. Isso levou a uma representação imprecisa da física do escoamento.
• Dados Experimentais (3DVar): A abordagem 3DVar conseguiu desenvolver um componente de velocidade na direção da envergadura para satisfazer a continuidade 3D. Consequentemente, a magnitude do termo de força corretiva diminuiu significamente, tornando-se mais comparável à força de Reynolds. Isso indica que as restrições 3D permitiram que o modelo de turbulência funcionasse corretamente, com o termo de força lidando com artefatos experimentais.
• Quantidades Reconstruídas: A abordagem 3DVar apresentou resultados superiores para as variáveis reconstruídas. A distribuição do coeficiente de pressão ($C_p$) e o coeficiente de sustentação ($C_L$) mostraram melhor concordância com as medições experimentais em comparação ao 2DVar. Além disso, a tensão de cisalhamento de Reynolds e os campos de viscosidade de eddy reconstruídos em 3DVar alinharam-se mais proximamente com as observações experimentais, mostrando um aumento no transporte de momento e efeitos de turbulência na esteira.

Significância e Alegações
O artigo afirma que impor continuidade 2D em escoamentos separados inerentemente 3D durante a assimilação de dados distorce o equilíbrio das equações de momento, forçando o termo corretivo a absorver erros que deveriam ser atribuídos à natureza 3D do escoamento. Ao implementar restrições 3D, os autores demonstram que o modelo RANS base (Spalart–Allmaras) é capaz de capturar a física complexa de escoamentos separados de forma mais precisa do que o anteriormente assumido quando a estrutura de assimilação de dados é fisicamente consistente.

O estudo conclui que o 3DVar é superior ao 2DVar para a assimilação de dados PIV planar de escoamentos separados. Ele resolve a ambiguidade na interpretação do termo de força corretiva, permitindo que pesquisadores distingam entre deficiências do modelo de turbulência e inconsistências experimentais. Esta abordagem melhora a precisão tanto das velocidades médias diretamente assimiladas quanto das quantidades reconstruídas, como sustentação e tensões de Reynolds, sem modificar a forma funcional do modelo de turbulência. Os autores observam que, embora sua implementação tenha utilizado dados 2D2C, a estrutura é projetada para lidar com as complexidades de escoamentos separados práticos de alto número de Reynolds.