Non-Newtonian viscous fluid models with learned rheology accurately reproduce Lagrangian sea ice simulations

Este artigo apresenta um framework de aprendizado de máquina que infere modelos reológicos não-Newtonianos precisos e dependentes da concentração a partir de simulações de método de elementos discretos, permitindo uma modelagem de gelo marinho Lagrangiana de grande escala, eficiente e precisa, que captura comportamentos complexos como afinamento por cisalhamento e espessamento por cisalhamento através de variações na concentração de gelo.

O essencial

Imagine o Oceano Ártico como um gigantesco quebra-cabeça congelado feito de milhões de pedaços individuais de gelo, ou "floes". Esses pedaços derivam, colidem uns com os outros, roçam uns nos outros e, às vezes, amontoam-se em cristas. Durante décadas, cientistas tentaram prever como esse quebra-cabeça gigante se move usando modelos computacionais.

O Jeito Antigo: Um Palpite Vago
Tradicionalmente, os cientistas tratavam o gelo marinho como um fluido espesso e viscoso (como mel ou tinta). Eles usavam uma receita de 50 anos atrás para adivinhar quão "espesso" ou "viscoso" o gelo seria sob pressão. Essa receita funciona razoavelmente bem quando o gelo está compactado no centro do oceano, mas falha quando o gelo é mais fino ou está próximo às bordas. É como tentar prever como uma multidão de pessoas se move assumindo que todos são um único bloco sólido de argila; isso ignora o fato de que as pessoas esbarram, deslizam e se empurram individualmente.

O Novo Jeito: Aprendendo com as "Partículas"
Os autores deste artigo queriam uma receita melhor. Eles começaram com uma simulação computacional superdetalhada chamada "Método de Elementos Discretos" (DEM). Pense nisso como um videogame de última geração onde cada pedaço de gelo é um personagem separado com sua própria física. Ele calcula cada colisão e ponto de fricção. Isso é incrivelmente preciso, mas é tão pesado computacionalmente que é impossível rodar para todos os oceanos do mundo.

Então, a equipe perguntou: Podemos ensinar um modelo mais simples a agir como este jogo superdetalhado?

A Solução: Um Fluido "Inteligente"
Eles construíram um novo modelo que trata o gelo como um fluido novamente, mas em vez de usar uma receita fixa e antiga para determinar quão "espesso" ele é, eles usaram Inteligência Artificial (IA) para aprender a receita em tempo real.

Aqui está como eles fizeram isso, usando uma analogia simples:

1. O Professor: O "videojogo" superdetalhado (DEM) atua como o professor. Ele executa simulações e mostra o resultado da velocidade e direção do gelo.
2. O Aluno: O novo e mais simples modelo de fluido atua como o aluno. Ele possui um "cérebro" (uma rede neural) que adivinha quão espesso o gelo é em qualquer dado momento.
3. A Lição: O aluno tenta imitar os resultados do professor. Se a previsão do aluno sobre a velocidade do gelo estiver errada, o cérebro de IA ajusta suas configurações internas para chegar mais perto da resposta do professor.
4. O Livro de Regras: Crucialmente, eles não deixaram a IA adivinhar qualquer coisa. Eles forçaram a IA a seguir as leis da física (como conservação de energia e simetria) para que os resultados façam sentido no mundo real.

O Que Eles Descobriram
Ao deixar a IA aprender com a simulação detalhada, eles descobriram algumas coisas surpreendentes sobre o gelo marinho:

• Não é Apenas Viscoso; É Inteligente: O gelo não se comporta da mesma forma o tempo todo.
  • Quando o gelo está moderadamente compactado, ele se comporta como um fluido de espessamento por cisalhamento (como amido de milho e água). Se você o empurra mais rápido, ele fica mais duro e resistente, quase como se estivesse se transformando em rocha sólida.
  • Quando o gelo está muito apertado, ele se comporta como um fluido de afinamento por cisalhamento (como ketchup). Se você o empurra mais rápido, ele na verdade flui com mais facilidade.
• Pequenas Mudanças, Efeitos Gigantescos: Uma pequena mudança na cobertura de gelo do oceano (apenas 5% a mais ou a menos) pode mudar a "viscosidade" do gelo em milhares de vezes. É como um interruptor que vai de "líquido" para "sólido" com o menor ajuste.
• Funciona em Todo Lugar: Mesmo que tenham ensinado a IA apenas com correntes de vento e água em linha reta, o modelo conseguiu prever com sucesso como o gelo se moveria em padrões climáticos complexos, giratórios ou variáveis. Funcionou inclusive quando testaram em um mapa 2D, não apenas em uma linha reta.

Por Que Isso Importa
O artigo conclui que este método é um grande passo à frente. Em vez de adivinhar como o gelo se comporta com fórmulas antigas e imperfeitas, podemos agora "aprender" as regras diretamente de dados de alta fidelidade. Isso permite que os cientistas criem modelos que sejam rápidos o suficiente para rodar em escala global e precisos o suficiente para capturar a realidade complexa e irregular de como os blocos de gelo realmente interagem.

Em resumo, eles ensinaram um modelo de fluido simples a "pensar" como uma multidão complexa de pedaços de gelo, resultando em uma maneira muito mais precisa de prever como nossos oceanos congelados se moverão.

Resumo técnico

Resumo Técnico: Modelos de Fluido Viscoso Não-Newtoniano com Reologia Aprendida para o Gelo Marinho

Definição do Problema
A previsão precisa da dinâmica do gelo marinho é crítica para a modelagem climática e a segurança costeira, mas os modelos contínuos existentes enfrentam limitações significativas. A abordagem padrão, o modelo viscoso-plástico de Hibler (baseado no trabalho da AIDJEX de 50 anos atrás), apresenta um desempenho moderado para o gelo compactado no centro do pacote de gelo, mas perde precisão preditiva na zona de gelo marginal. Nestas regiões, concentrações menores de gelo levam a efeitos granulares — como colisões, contato friccional e formação de cristas — que o modelo de Hibler não captura. Por outroْ lado, os Métodos de Elementos Discretos (DEMs), que resolvem cada placa de gelo e suas interações, oferecem alta fidelidade, mas são computacionalmente proibitivos para simulações de grande escala. Além disso, abordagens baseadas em dados utilizando aprendizado de máquina científico (sciML) surgiram para parametrizar a reologia, mas muitas dependem de formas funcionais predefinidas ou dados de tensão-deformação que podem ser ruidosos ou indisponíveis em observações. Inversamente, trabalhos existentes frequentemente visam fluidos onde modelos de viscosidade não lineares padrão devem ser suficientes, enquanto a estrutura reológica dos dados complexos de DEM de gelo marinho não está claramente definida.

Metodologia
Os autores propõem uma estrutura para inferir um modelo de fluido viscoso não-Newtoniano contínuo que reproduza campos de velocidade computados por um DEM (especificamente o modelo SubZero). A metodologia central envolve as seguintes etapas:

1. Geração de Dados: Os autores geram dados de treinamento usando o DEM SubZero, que simula placas de gelo poligonais irregulares interagindo via colisões e fricção. As simulações são impulsionadas por arrasto oceânico e forças de vento em uma configuração de fluxo de cisalhamento paralelo unidirecional. O DEM resolve o movimento de milhares de placas, a partir das quais as velocidades horizontais e as tensões de cisalhamento são espacialmente médias sobre células de grade para criar conjuntos de dados Eulerianos.
2. Parametrização Reológica: Em vez de assumir uma forma funcional específica, a viscosidade de cisalhamento efetiva $\psi$ é representada por uma rede neural (NN) feedforward. A reologia é restringida por princípios físicos:
   • Invariância de Referencial: A lei constitutiva é formulada como uma função escalar dos invariantes principais do tensor de taxa de deformação (em 1D, $\tau = 2\psi(|\dot{\gamma}|, A)\dot{\gamma}$).
   • Positividade e Monotonicidade: A arquitetura da NN impõe viscosidade não negativa (usando ativação ELU) e monotonicidade do mapa tensão-deformação para garantir que a PDE resultante seja bem posta e unicamente solucionável.
3. Estratégia de Treinamento (Otimização Restrita por PDE): Diferente de abordagens padrão que minimizam o erro de tensão-deformação, esta estrutura minimiza o erro entre os dados de velocidade do DEM e a solução da equação de momento contínua. O objetivo de treinamento é $J_v(\theta) = \sum |u_k - \langle u(\theta, A) \rangle_k|^2$, onde $u(\theta, A)$ é a solução da PDE $\rho_i H \partial_t u - \partial_y \tau = \tau_o + \tau_w$.
   • A otimização é realizada usando uma combinação do método de elementos finitos (Firedrake) e diferenciação automática (PyTorch).
   • Os gradientes são computados via o método adjunto, resolvendo o problema adjunto linearizado para atualizar os pesos da NN $\theta$.
   • Uma otimização de dois passos é empregada: primeiro minimizando um erro de tensão-deformação ($J_s$) para fornecer um palpite inicial, depois refinando com o erro de velocidade ($J_v$).

Principais Resultados
O estudo demonstra que uma reologia não linear aprendida pode reproduzir com precisão os campos de velocidade do DEM em uma ampla gama de condições:

• Espessamento por Cisalhamento e Afinamento por Cisalhamento: A reologia inferida revela uma transição no comportamento dependente da concentração de gelo ($A$). Para concentrações menores (ex: $A=0,85$), o gelo marinho exibe comportamento de espessamento por cisalhamento (a viscosidade aumenta com a taxa de cisalhamento). Para concentrações maiores (ex: $A=0,95$), o comportamento transita para afinamento por cisalhamento.
• Sensibilidade à Concentração: A viscosidade de cisalhamento efetiva aumenta em várias ordens de magnitude com pequenas mudanças na concentração de gelo (tão pouco quanto 5%).
• Generalização: O modelo treinado, com pesos fixos, generaliza com sucesso para:
  • Diferentes Forçamentos: Problemas não estacionários impulsionados por perfis de vento e oceano dependentes do tempo, incluindo concentrações "não vistas" (ex: $A=0,875$) não presentes no conjunto de treinamento.
  • Configurações 2D: O modelo reproduz com precisão os campos de velocidade em uma configuração incompressível bidimensional, preservando as simetrias observadas no DEM, embora não consiga capturar efeitos compressíveis como a redistribuição de concentração local.
• Comparação com Ajuste de Tensão-Deformação: Os autores observam que um modelo que se ajusta estritamente aos dados ruidosos de tensão-deformação do DEM não necessariamente reproduz com precisão os campos de velocidade. A otimização baseada em velocidade ($J_v$) mostra-se superior para capturar a dinâmica macroscópica.

Significância e Alegações
O artigo afirma que esta estrutura representa um "passo importante" para o desenvolvimento de modelos não-Newtonianos que reproduzam com precisão a dinâmica do gelo marinho observado. Ao inferir a reologia diretamente de dados de velocidade (que são mais facilmente disponíveis via imagens de satélite do que dados de tensão) e incorporar a PDE governante no loop de treinamento, o método supera as limitações de parametrizações fenomenológicas e o alto custo dos DEMs.

Os autores enfatizam que sua abordagem não assume uma forma reológica pré-existente, permitindo a descoberta de comportamentos complexos (como a transição de espessamento para afinamento por cisalhamento) que modelos padrão como o de Hibler (que prevê comportamento plástico para todas as concentrações) ou modelos colisionais simples poderiam perder. Embora o modelo atual assuma incompressibilidade e ignore deformações mecânicas como fraturamento e formação de cristas, a estrutura fornece um modelo contínuo fisicamente coerente e computacionalmente eficiente que captura a dinâmica essencial dos fluxos granulares de gelo marinho. O trabalho sugere que a inferência de reologia baseada em dados pode preencher a lacuna entre simulações discretas de alta fidelidade e modelos contínuos escaláveis para Modelos do Sistema Terrestre.